在给定的数据集，我们假设数据是正常的 ，现在需要知道新给的数据Xtest中不属于该组数据的几率p（X）。
异常检测主要用来识别欺骗，例如通过之前的数据来识别新一次的数据是否存在异常，比如根据一个用户以前的使用习惯（数据）来判断这次使用的用户是不是以前的用户。或者根据之前CPU正常运行时候的的用量数据来判断当前状态下的CPU是否正常工作。
这里我们通过密度估计来进行判断：if P(X) >ε时候，为normal（正常）<ε 的时候为异常 。
我们用x（i）来表示用户的第ｉ个特征，模型Ｐ（ｘ）＝ 我们其属于一组数据的可能性
在这里我们会用到高斯分布（二项分布），在高斯分布中，我们 对于方差通常只除以ｍ来得到μ和σ而不是统计学中的ｍ-1
异常检测算法：
对于给定的数据集ｘ（１）…ｘ（ｍ），我们要针对每一个特征计算出μ和σ的估计值。
一旦我们获得了平均值和方差的估计值，给定的一个新的训练实例，根据模型计算我们就可以得出ｐ（ｘ）
我们选择一个 ε，将p（ｘ）＝ε作为我们的判定边界，当ｐ(x)> ε的时候预测数据为正常数据，否则为异常数据。
异常检测算是一个非监督学习算法，这意味着我们无法根据结果变量Ｙ 的值来告诉我们是否异常，我们可以从带标记的数据着手，选取一部分正常的数据用来训练和构建，然后用剩下的正常样本和测试样本混合构成交叉检验集和测试集。
在这里我们举一个栗子，用来更详细的描述异常检测算法。
例如：我们有 10000 台正常引擎的数据，有 20 台异常引擎的数据。 我们这样分配数
据：
6000 台正常引擎的数据作为训练集
2000 台正常引擎和 10 台异常引擎的数据作为交叉检验集
2000 台正常引擎和 10 台异常引擎的数据作为测试集
具体的评价方法如下：
1. 根据测试集数据，我们估计特征的平均值和方差并构建 p(x)函数
2. 对交叉检验集，我们尝试使用不同的 ε 值作为阀值，并预测数据是否异常，根据 F1
值或者查准率与查全率的比例来选择 ε
3. 选出 ε 后，针对测试集进行预测，计算异常检验系统的 F1 值， 或者查准率与查全
率之比
之前我们构建的异常检测系统也使用了带标记的数据，与监督学习有些相似，下面的对
比有助于选择采用监督学习还是异常检测：
两者比较：
