1. 问题定义
异常检测的目的就是，当新进来一个样本的时候，我们需要辨识这个样本和现有的训练集合{}是否相似，如果相似就是正常的，如果不相似，那就是异常的。
问题定义
2. 异常检测的应用
可用于欺诈检测领域，normal的训练数据就是正常的刷卡行为，anomaly的数据就是盗刷的行为。
也可以应用于网络注入检测领域，正常的网络连线是normal的，具有攻击行为的网络注入就是anomaly的。
还可以用于癌症的检测，正常的细胞行为是normal的，癌细胞就是anomaly的。
应用
3. 可以简单的当成二分类问题来处理吗？
如果要当成二分类问题来处理，那做法就是，收集normal的数据作为Class1，再收集anomaly的数据作为Class2，根据两个类别的数据做二分类。
但是有这样两个棘手的问题：
1. 收集normal的数据很简单，但是很难将所有的anomaly的数据收集全，例如下面的例子，这简单举例的三个个体都被认为是anomaly，但是数据远不止这些，你很难get到所有的数据。
2. 在有的训练场景中，你很难得到anomaly的数据，例如在银行信用卡欺诈检测领域，你收集到的数据大部分都是正常的用户，关于欺诈用户，是很少的。
二分类？
4. 异常检测的类别
异常检测问题可以分成两大类：
第一类：你有一批训练数据{}，你的训练数据也有对应的标签{
}。但是当新进来的数据都不属于任何一个label的时候，机器应该输出“unknown”。
第二类：你只有训练数据，但是训练数据没有label。而且这时你的训练数据也分为clean和polluted两方面。clean指的是你的训练数据全部都是normal的，但是这种情况很少；通常情况下你的数据是被“污染”的，也就是说你的训练数据中掺杂着一些anomaly的数据。例如，欺诈检测的数据中不仅含有正常用户，也有异常用户。
类别
