---

type: daily_note

title: 异常检测收尾 + 协同过滤 —— 从"抓异常"到"猜你喜欢"

date: 2026-08-13

person: 吴恩达

phase: "2.3"

topics:

  [异常检测 vs 监督学习, 特征选择, 推荐系统引入, 基于内容推荐, 协同过滤算法]

---

 

# 2026-08-13 学习笔记

 

## 笔记区

 

### 核心观点

 

- **#112 异常检测 vs 监督学习**：异常检测**只学正常**，任何偏离正常分布到 ε 线之外就判异常——所以对"从未见过的新异常"也敏感；监督学习学的是**正常与异常的边界**，见过的异常类型抓得准，但**全新的异常类型可能被划进正常**。一句话：异常检测适合"未知/新型异常"，监督学习适合"异常类型已知且固定"

- **#113 特征选择**：异常检测假设每个特征大致符合高斯分布，偏斜的特征用**对数等变换拉正**后再建模；还要挑能区分正常与异常的**有用特征**

- **#114 推荐系统引入**：核心任务是**根据用户已有的少量评分，预测他未评过分的电影会得多少分**——难点是绝大多数电影用户根本没评过

- **#115 使用每项特征（基于内容推荐）**：给每部电影定义特征 x（如浪漫程度、动作程度），**每个用户一套专属参数 w、b**，预测评分 f = w·x + b，用该用户自己的历史评分拟合

- **#116 协同过滤**：电影特征也**不手工定义**——手里只有一张用户×电影的评分表，特征 x 和用户参数 w 都是未知的。算法先**猜**一组特征 → 学用户参数 → 再用参数**反过来修正特征** → 往复迭代，"协同"= 一群用户一起打分的行为互相印证，把特征和口味都逼出来

 

### 关键方法/流程

 

**异常检测 vs 监督学习怎么选：**

 

```

看异常类型是否已知且有限

  ├─ 已知且固定、标记样本多 → 监督学习（学正常 vs 异常的边界）

  └─ 未知/会翻新、正常样本多 → 异常检测（只学正常，偏离即异常）

```

 

**协同过滤交替迭代（核心思想）：**

 

```

1. 随机猜一组电影特征 x

2. 用这组 x 给每个用户学口味参数 w（= 普通线性回归）

3. 用学好的 w 反过来修正特征 x

4. 再修 w → 再修 x…… 交替逼近，两边越猜越准

```

 

### 实战记录

 

  - #112 核心结论："异常检测本质上是排斥所有与训练集不同的东西，监督学习是在以过去的训练集对现在的未知进行比较而判断到底是正还是负"

  - #112 "正常的多就只学正常的，正常意外的全为异常"

  - #113 特征选择："设法让数据符合正态分布"

  - #115 "每个用户都用的独一无二的线性回归模型"

  - #116 "为什么你的账号越用大数据越懂你，因为他在不断地用x修正w"

 

---

 

## 线索区（学完后合上材料，自问自答）

 

**Q: 异常检测和监督学习各自适合什么场景？**

A: 异常检测适合异常类型未知/会翻新、正常样本多的场景（只学正常，任何偏离都能抓）；监督学习适合异常类型已知且固定、标记样本多的场景（学边界，见过的抓得准，新类型可能漏）。"正常的多就只学正常的，正常以外的全为异常"。

 

**Q: 特征分布偏斜不符合高斯，怎么办？**

A: 做变换（如取对数 log(x+1)）把它拉正成接近高斯分布再建模。"设法让数据符合正态分布"。

 

**Q: 推荐系统的核心任务是什么？**

A: 根据用户已有的少量评分，预测他没评过分的电影会得多少分。

 

**Q: 基于内容推荐（每项特征）的模型长什么样？**

A: 每部电影有特征 x，每个用户有专属参数 w、b，预测评分 f = w·x + b，用该用户历史评分学他的 w、b。"每个用户都用的独一无二的线性回归模型"。

 

**Q: 协同过滤怎么做到特征也不用定义？**

A: 手里只有评分表，特征 x 和参数 w 都未知。算法猜特征 → 学参数 → 用参数修正特征 → 交替迭代，从用户的评分行为里把特征倒推出来。"账号越用大数据越懂你，因为他在不断地用x修正w"。

 

**Q: 协同过滤和之前监督学习的本质区别？**

A: 之前 x 是人工给好的输入、只学参数 w；协同过滤 x 没人给，靠评分表边学 w 边倒推 x。

 

---

 

## 总结（50字以内，用自己的话概括今天学到了什么）

 

异常检测收尾：只学正常，专抓未知新异常。开推荐系统：内容过滤给每部电影建特征+每用户专属参数；协同过滤连特征都靠评分表猜出来。

 

---

 

## 复习卡片

 

| 概念 | 一句话 | 我的场景 |

| ---------------- | ------------------------------------------- | -------------------------- |

| 异常 vs 监督学习 | 已知固定类型用监督，未知翻新用异常检测 | "只学正常的，其余的算异常" |

| 特征选择 | 偏斜特征变换拉正，再挑能区分正常/异常的特征 | "设法让数据符合正态分布" |

| 推荐系统任务 | 用已有评分预测没评过的电影 | Netflix 猜你没看过的片子 |

| 内容推荐 | 每电影有特征，每用户有专属 w，f=w·x+b | "给每个人造独一无二的模型" |

| 协同过滤 | 特征也靠评分倒推，w 和 x 交替互修 | "账号越用越懂你" |

| 协同 vs 监督学习 | 前者 x 倒推出来的，后者 x 是人给的 | "用x修正w，两边一起猜" |