異常偵測簡介

異常偵測是一種資料探勘技術，可用來找出特定資料集中的資料偏差問題。舉例來說，如果特定產品的退貨率攀升，比該產品的基準值高出許多，可能表示該產品有瑕疵，或疑似發生詐欺事件。您可以運用這項技術來偵測重大事件，如技術問題，或消費者行為變動等潛在機會。

使用異常偵測功能時，會面臨一項挑戰，就是如何判斷哪些資料屬於異常資料。如果您有標示可識別異常值的資料，可以使用 ML.PREDICT 函式搭配下列任一監督式機器學習模型，執行異常偵測：

• 線性和邏輯迴歸模型
• 強化型樹狀結構模型
• 隨機森林模型
• 深層類神經網路 (DNN) 模型
• 廣度和深度模型
• AutoML 模型

如果您不確定哪些資料算是異常資料，或是沒有標記資料可用於訓練模型，可以使用非監督式機器學習來執行異常偵測。搭配下列任一模型使用 ML.DETECT_ANOMALIES 函式，即可偵測訓練資料或新服務資料中的異常狀況：

資料類型	模型類型	ML.DETECT_ANOMALIES 的作用
時間序列	ARIMA_PLUS	偵測時間序列中的異常狀況。
	ARIMA_PLUS_XREG	使用外部回歸變項偵測時間序列中的異常狀況。
獨立同分布隨機變數 (IID)	K-means	根據從輸入資料到各個叢集質心之間的歸一化距離，找出最短距離，進而偵測異常狀況。如要瞭解歸一化距離的定義，請參閱 ML.DETECT_ANOMALIES 函式的 k-means 模型輸出內容。
	Autoencoder	根據重建損失 (以均方誤差表示) 偵測異常狀況。詳情請參閱 ML.RECONSTRUCTION_LOSS。ML.RECONSTRUCTION_LOSS 函式可擷取所有類型的重建損失。
	PCA	根據均方誤差的復原損失偵測異常狀況。

建議的知識

只要使用 CREATE MODEL 陳述式和推論函式中的預設設定，即使沒有太多機器學習知識，也能建立及使用異常偵測模型。不過，瞭解機器學習開發的基本知識，有助您最佳化資料和模型，進而獲得更優異的結果。建議您參考下列資源，熟悉機器學習技術和程序：

• 機器學習密集課程
• 機器學習簡介
• 中級機器學習