高斯分布
异常检测算法
独立性假设思想
评估方法
用实际带label的数据去做处理
与监督学习的区别和用法
一是数据不平衡时使用，二是反例案例没有规律可循时使用。
特征处理
原则上特征应该符合高斯分布，可以通过log等方法将不符合高斯分布的函数转化成符合高斯分布。
比如下面，从左图到右图的变化，即是通过增加一个特征，来达到区分。
多变量高斯分布
像这种数据分布的很窄，直接对单个变量做概率分析，可能结果会是大圈，与实际值偏差较多。
可以捕获到不同特征之间的相关关系（但是这种关系又不是像X1=X2，X1=X2+X3这种互相影响的冗余特征），指的是不同的缩放？
当符合协方差的上述表达式时，多变量高斯分布就和原始的model是一样的。原有的模型其图形方向是沿坐标轴方向，即不同特征之间不能建立相关性。
样本必须大于特征数，没有冗余特征，才能使用多变量高斯分布。