<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>异常检测 on PlumePHP</title><link>https://plumephp.com/tags/%E5%BC%82%E5%B8%B8%E6%A3%80%E6%B5%8B/</link><description>Recent content in 异常检测 on PlumePHP</description><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Mon, 28 Sep 2026 10:00:00 +0800</lastBuildDate><atom:link href="https://plumephp.com/tags/%E5%BC%82%E5%B8%B8%E6%A3%80%E6%B5%8B/index.xml" rel="self" type="application/rss+xml"/><item><title>异常检测实战：统计方法、隔离森林、AutoEncoder 与不平衡学习</title><link>https://plumephp.com/ml-anomaly-detection/</link><pubDate>Mon, 28 Sep 2026 10:00:00 +0800</pubDate><guid>https://plumephp.com/ml-anomaly-detection/</guid><description>&lt;h2 id="引言"&gt;引言&lt;/h2&gt;
&lt;p&gt;欺诈交易、服务器故障、设备损坏——这些「异常」在数据里只占极小比例，却是最有价值的部分。&lt;strong&gt;异常检测（Anomaly Detection）&lt;strong&gt;的目标不是「分好多数类」，而是&lt;/strong&gt;找出少数异常&lt;/strong&gt;。它与类别不平衡问题紧密相关：异常极稀少、正负比例悬殊。本文覆盖从统计方法到隔离森林、AutoEncoder 的完整武器库，以及不平衡学习的处理套路与评估指标。&lt;/p&gt;</description></item><item><title>时序分析最佳实践：时间序列建模、降采样与异常检测 SQL</title><link>https://plumephp.com/clickhouse-time-series-analytics/</link><pubDate>Mon, 28 Sep 2026 10:00:00 +0800</pubDate><guid>https://plumephp.com/clickhouse-time-series-analytics/</guid><description>&lt;h2 id="1-时序场景为什么适合-clickhouse"&gt;1. 时序场景为什么适合 ClickHouse&lt;/h2&gt;
&lt;p&gt;监控、IoT、日志、指标——这些都是&amp;quot;以时间为主轴的追加型数据&amp;quot;：写入连续、量大、查询按时间窗口聚合。&lt;/p&gt;</description></item></channel></rss>