主要内容：
一.模型介绍
二.算法过程
三.算法性能评估及ε(threshold)的选择
四.Anomaly detection vs Supervised learning
五.Multivariate Gaussian
一.模型介绍
如何检测一个成品是否异常？
假设红交叉表示正常的样本点，如果抽取到的成品其位于正常样本点的范围之内，则可认为其正常；如果成品的位置远离正常样本点，则可认为其出现异常。
为了更加明确“正常样本点”的范围，我们添加圈圈以划定区域，如：
此时，选择一个threshold，即ε，以划定正常与异常的边界。
当p(Xtest) >= ε，可认为是正常；
当p(Xtest) < ε，可认为是异常。
而这个p()就是高斯分布函数，即正态分布函数。
二.算法过程
注意，此限制是：所有特征都必须相互独立，才满足公式：P(AB) = P(a)*P(B)。
三.算法性能评估及ε(threshold)的选择
四.Anomaly detection vs Supervised learning
貌似利用高斯分布函数来检测异常的方法跟Logistic回归进行二分类的方法十分相似。确实如此，但两者有不同的使用场合：
五.Multivariate Gaussian
之前使用的高斯分布函数都要求各个特征相互独立，而现实往往并非如此。因此需要使用Multivariate Gaussian（不知道中文应该怎么叫，就先叫做多维正态分布吧），它适用于特征不独立的条件。
而讲到多维正态分布，就离不开讲协方差矩阵。
1) 当各个特征相互独立时，其协方差矩阵为对角矩阵，其中对角线元素即为其每个特征的方差。而分布图其实“随坐标轴”的。
2) 当各个特征不相互独立时，其协方差矩阵就不是对角矩阵了。而其分布图是“不随坐标轴”的。
有关协方差的含义，可看此博客：终于明白协方差的意义了
了解多维正态分布后，就可以用它来改进检测方法了：
虽然改进后的多维正态分布适用性更强了，但却不一定处处体现出优势。因此以下列出了原始模型与改进模型的使用条件：