一、如何构建Anomaly Detection模型？
二、如何评估Anomaly Detection系统？
1）将样本分为6:2:2比例
2）利用交叉验证集计算出F1值，可以用F1值选取概率阈值ξ，选取使得F1值最大的那个ξ。
3）同时也可以根据训练集、交叉验证集、测试集来同样选取使用哪些特征变量更好。方法就是不断更换特征组合构建模型，利用交叉验证集计算F1值，并看测试集的效果等等。
三、什么时候用异常数据检测法，什么时候用有监督的分类方法？
1）一般来讲，当样本中有大量正常样本数据，而仅仅有少量异常点数据时，这个时候建议构建Anomaly Detection模型。因为异常样本太少，无法进行有效的监督训练；而此时因为有大量的正样本数据，可以有效的拟合高斯模型。当正样本与负样本数量都比较大的时候，可以采用有监督的学习方法，这就是两种方法的不同之处。
2）另一种不同在于，异常数据点的出现情况往往是多种多样、不可预测的。所以，这个时候只对正常数据样本拟合模型即可，不符合该模型的数据均可视为异常数据点。而有监督的学习方法需要有明确的正样本与负样本标签，让机器明白无误的去训练学习。
Coursera在线学习---第九节.异常数据检测(Anomaly Detection)
原文：http://www.cnblogs.com/gczr/p/6483762.html