有没有关于人们用于稀有事件检测的算法的好参考？另外，时间因素是如何考虑的？如果我有一个案例，其中连续的数据点（t_1 到 t_n）表示某些信息，如何将其纳入到正常的机器学习场景中？

任何指导都会受到欢迎。

回答：

更详细地描述你的场景可能会有所帮助。由于你在寻找稀有事件，我假设你对非稀有事件有了一个工作定义（对于某些问题空间来说，这真的很难）。

例如，假设我们有一个非随机游走过程，如某些服务的CPU利用率。如果你想检测稀有事件，你可以计算平均利用率，然后查看几个标准差之外的情况。这里可以使用统计过程控制的技术。

如果我们有一个随机游走过程，如股票价格（打开了一罐虫子…为了简单起见，请假设这是真的）。从t到t+1的方向移动是随机的。一个随机事件可能是连续多次朝一个方向移动，或者在单个时间步长内朝一个方向的大幅移动。查看随机微积分以了解基础概念。

如果在步骤t的过程仅依赖于步骤t-1，我们可以使用马尔可夫链来建模这个过程。

这是你可以使用的一些数学技术的简短列表。现在谈谈机器学习。你为什么想使用机器学习？（总是很好地思考一下，以确保你没有过度复杂化问题）假设你确实需要，并且这是正确的解决方案。在这个阶段，你使用的具体算法并不重要。你需要做的是定义什么是稀有事件。相反，你可以定义什么是正常事件，并寻找那些不正常的事件。请注意，这两者并不相同。假设我们产生了一组稀有事件r1…rn。这些稀有事件各自会有一些相关特征。例如，如果一台计算机发生故障，可能会有最后一次在网络上看到的时间、其交换机端口状态等特征。这实际上是机器学习中最重要的部分，训练集的构建。它通常包括手动标记一组示例来训练模型。一旦你更好地理解了特征空间，你可能能够训练另一个模型来为你标记。重复这个过程，直到你满意为止。

现在，如果你能够定义你的稀有事件集，可能更便宜的方法是简单地生成启发式规则。对于检测稀有事件，我一直发现这种方法更有效。