一、概括 这篇文章主要围绕如何根据数据分布选择合适的特征展开。通过直方图和分布曲线对比，展示了非高斯分布的数据在经过对数、平方根、幂次等数学变换后，能够更接近高斯分布，从而提升模型的表现。文章强调了理解数据特征分布的重要性，并介绍了常见的特征变换方法，为构建更稳健的机器学习模型提供思路。 二、非高斯
一、异常检测与监督学习的核心区别
一、带标签数据在异常检测中的评估作用
一、密度估计 图中说明了对多维特征向量进行密度估计的设定与公式。 训练集：{x(1),x(2),…,x(m)}，每个样本 xi 有 n 个特征。右侧用列向量表示样本 xx由各维特征组成（x
一、正态分布的定义 正态分布（Normal Distribution），又称高斯分布（Gaussian Distribution），是统计学和概率论中最经典、最重要的一种分布形式。它的曲线形状呈对称的钟形，中间高、两边低，且以均值为中心对称展开，数据大多集中在均值附近，越往两端越稀少。正态分布由均值
一、异常检测的定义 异常检测（Anomaly Detection）是一种数据分析技术，它通过分析数据集中的模式和行为，识别出那些与正常模式显著不同的观测值或事件。在实际应用中，它就像是一个敏锐的“守门人”，时刻监视着数据流，寻找那些“不按套路出牌”的数据点。 通俗理解：
一、K-means 初始化的定义 K-means 的初始化是指在算法开始时，随机选择 KK 个数据点作为初始聚类中心。之后，算法会不断迭代，逐步调整这些中心的位置。
一、K-means 优化目标与代价函数 符号说明（图左） <
一、K-means算法的定义 K-means算法是一种经典的聚类算法，它通过将数据划分为K个簇来实现聚类目标。算法的核心思想是通过迭代优化簇中心的位置，使得簇内的数据点尽可能接近簇中心，而不同簇之间的数据点尽可能远离。 通俗理解： 就好像是在一个操场上把一群乱跑的小孩
