一、异常检测与监督学习的核心区别

这幅图把异常检测（Anomaly detection）和监督学习（Supervised learning）放在一起进行对比。左边的异常检测强调，在现实中正样本（y=1）非常稀少，可能只有 0–20 个，而负样本（y=0）却很多。由于异常的类型多样、难以预测，未来出现的异常往往与现有的正样本完全不同，因此算法更多依赖于对正常数据分布 p(x) 的建模，来发现那些“偏离”的情况。典型例子是欺诈检测（Fraud）。

右边的监督学习则不同，它依赖大量的正负样本。在这种情况下，即使只有 20 个正样本，也足够让算法形成对正类特征的认识。未来的新样本往往和训练集中已有的正样本相似，因此模型可以通过学习标注数据来有效分类。常见的应用是垃圾邮件检测（Spam）。

整体来看，这张图传达的核心是：

• 异常检测适合应对未知，因为未来异常可能和以往完全不同。

• 监督学习适合处理已知，因为未来样本往往与已有样本保持一致。

二、典型应用场景对比

这幅图通过并列方式展示了异常检测和监督学习在应用上的差异。

• 异常检测（Anomaly Detection）

  • Fraud detection：用于识别罕见且未知的欺诈行为。

  • Manufacturing：强调“finding new, previously unseen defects”，即发现制造过程中从未出现过的新缺陷，例如飞机发动机中的异常。

  • Monitoring machines in a data center：用于实时监控数据中心机器状态，及时发现异常迹象。

• 监督学习（Supervised Learning）

  • Email spam classification：通过已知的标注数据来分类垃圾邮件。

  • Manufacturing：处理“finding known, previously seen defects”，如已知的刮痕 (scratches)，并标注为 y=1y=1。

  • Weather prediction：预测晴天、雨天等天气类别。

  • Diseases classification：利用已有病例数据进行疾病分类。

整体而言，异常检测偏向发现未知的新问题，而监督学习依赖已知的标注数据来处理熟悉的问题。

三、补充内容

• 样本分布

  • 异常检测中，正样本（异常）极其稀少，可能只有零星几个，而负样本（正常）占绝大多数。算法往往通过学习正常数据的分布 p(x)p(x)，来识别那些偏离分布的点。

  • 监督学习则依赖大量的正负样本，数据均衡性较好，模型通过已知标签来学习分类边界。

• 未来样本的相似性假设

  • 在异常检测中，未来的异常可能和已有的完全不同，因此很难通过少量的正样本来“总结规律”。这类方法强调对未知的探索。

  • 在监督学习中，假设未来的样本与训练集中已知的样本相似，因此模型能够较好地泛化。这类方法强调对已知的归纳。

• 应用场景

  • 异常检测常见于 欺诈检测、设备状态监控、新型缺陷发现 等环境，这些问题的共同点是“异常少见且不可预期”。

  • 监督学习则适合 垃圾邮件分类、天气预测、疾病诊断 等任务，因其依赖大量历史数据，未来情况也大体可预测。

• 算法思路

  • 异常检测更像是回答：“这个点是否与大多数不同？”

  • 监督学习更像是回答：“这个点属于哪一类？”