最近在读《Introduction to Data Mining 》这本书，发现课后答案只有英文版，于是打算结合自己的理解将答案翻译一下，其中难免有错误，欢迎大家指正和讨论。侵删。
第十章
答：
首先，注意到基于密度和基于邻近度的技术是相关的，因为高密度的区域的点附近必然有很多点。而基于模型的技术需要找到一个适合数据的模型，并且一个具体的模型是假定的，从这一方面来说，基于密度和邻近度的技术不需要对数据做任何假定。此外，基于邻近度的技术可以适用于任何情况，只需要定义好一个合适的邻近度度量，比如欧几里得距离适用于稠密的低维数据集，而余弦相似度适用于稀疏的高维数据集。由于基于密度的技术也需要基于邻近度，因此基于密度的技术也适用于任何数据集，这两种技术通常也会产生相似的结果。
（a）该定义和基于邻近度的方法很类似。
（b）适用于小型数据集。
（a）该定义和基于邻近度的方法很类似。
（b）第一，如果分布不对称的话，从中心到凸包边缘点之间的距离变化会很显著。
第二，这种方法不适合分配有意义的数值异常分数。
（a）属于基于邻近度的技术
（b）优点：该方法发现的项不属于任何大小为3的超团模式中，并且不会与其他任何的项有强关联，很可能是异常点。此外，计算很高效
缺点：这种方法不适合分配有意义的数值异常分数，只能简单地分出异常点和正常点。而且不能直接控制找出的异常点的数目。此外，数据必须是离散的。
对于监督的情况，应该用整体分类技术，一个点属于哪个类取决于分类点的投票数。非监督的情况，类似的投票方法也可以用，但注意需要假定对象作为异常点是二分类的，如果我们有异常分数，可以和某些规则结合， 比如取平均或最大，产生整体的异常分数。
如果用K均值聚类，复杂度取决于找簇的过程，时间和点的数量成比例，因此是O（m）。此外，基于密度和邻近度的技术需要计算每一对点之间的邻近度，因此复杂度为O（m2）。在一些特别的情况，比如低维数据，可以用特殊的数据结构，比如k-d树，计算点的最近邻会减少计算量，复杂度为O(mlogm）。类似的，基于网格的方法可以减少基于密度的技术的计算量到O(m），但这样的方法可能不太精确，并且适用的范围有限。
（a）
tc的值会随m的增加而缓慢增加。
0.05的显著水平下，m=1020 ，tc = 93
（b）g的分布随着m的增加而逐渐接近于t分布
（a）单侧的值与平均值距离超过标准差3倍的可能性为0.00135，双侧的为0.0027，因此对于1000000个值的集合，会有1350或2700个离群点。
（b）根据实际情况，可以将这些点都看作离群点，也可以定义成超过标准差4倍或5倍的是离群点。
用样本均值和协方差矩阵代入得，
第一个度量是局限的，因为它忽视了一个点可能也离其他的簇很近，轮廓系数不仅考虑了一个点离所在簇的距离，也考虑了到其他簇的距离，因此轮廓系数更全面地考察了一个点属于一个簇的可能性。
（a）因为点D的存在，簇中心会稍微偏上，因此底部的点得分更高。
（b）不能，会被认为是一个只含一个点的簇。
（c）比如心电图，如果有一群病人都有不正常的心电图，如果用相对距离度量会认为这些人是正常的。
检测率 = 1%×0.99 / 1% = 99%
假警告率 = 99%×0.01 / ( 99%×0.01 + 1%×0.99 ) = 0.5
当新的异常类型出现时，需要用到非监督的异常检测技术。但监督的异常检测的技术也能发挥作用，因此这两种技术都需要用到。一个典型的例子就是网络欺诈检测，可以对已知的欺诈类型打上标签和特征。
总的来说，这是一个哲学或语义问题。从定义来说，异常点通常是比较少的，但不排除一个数据集中异常对象比较多的情况。
和上一题类似，是一个定义问题。在实际中，通常在异常检测技术中我们会考虑相对密度。
没意义。对于均匀分布来说，这样的概念是值得怀疑的。