Random Cut Forest (RCF) 算法是亚马逊用于异常检测的无监督算法。它也通过关联异常分数来工作。较低的分数值表示数据点点是正常的，较高的分数值则表示数据中存在异常。「低」和「异常点检测，有时也叫离群点检测，英文一般叫做Novelty Detection或者Outlier Detection,是比较常见的一类非监督学习算法，这里就对异常点检测算法做一个总结。1
半监督异常检测算法是指在训练集中只有单一类别(正常实例)的实例，没有异常实例参与训练。半监督异常检测技术的一种典型方法是基于训练数据集为正常时间序列数据建立模型，然后利用1)参数方法，由已知分布的数据中估计模型参数( 如高斯模型) ,其中最简单的参数异常检测模型就是假设样本服从一元正态分布，当数据点与均值差距大于两倍或三倍方差时，则认为该点为异常；
一、基于分布的异常值检测方法1. 3sigma 基于正态分布，3sigma准则认为超过3sigma的数据为异常点。python程序实现：defthree_sigma(s):mu,std=np.mean(s),np.std(s)lower,upper=muLOF算法是一种无监督的异常检测方法，它计算给定数据点相对于其邻居的局部密度偏差。每个样本的异常分数称为局部异常因子。异常分数是局部的，取决于样本相对于周围邻域的隔离程度。
异常值检测常⽤算法及案例异常值检测常⽤⽅法对历史数据进⾏异常值检测，对突发情况或者异常情况进⾏识别，避免因为异常值导致预测性能降低，并对其进⾏调整便于后续预测。另一种划分异常检测模型的标准可以理解为局部算法（local）和全局算法（global），这种划分方法是考虑到
检测异常值是数据挖掘中的核⼼问题之⼀。数据的不断扩增和持续增长，以及物联⽹设备的普及，让我们重新思考处理异常值的⽅法和观测异常值构建出的⽤例。现在，我们拥有可以检二、异常检测算法1. 基于统计与数据分布假设数据集应满足正态分布(Normal Distribution),即：分布的平均值为μ和方差为σ² 。当满足上图训练数据的正态分布，如果x的值大于4或者
