lable
character,用classifier来判别，分类
做Confidence（信心分数）来判别准确率有多高
系统流程
一个好的系统不一定正确率高，因为阈值是人为调的，所以有可能正确率高，但识别错误的个数也多。
异常侦测无法用普通的方法判断
不同的任务，在机器学习过程中给的分数不同，例如：给一个人检测癌症，那么就让“有癌症但没检测出来有癌症”扣100cost，然后让“没癌症但检查出来有癌症”扣1cost，因为前者情况发生很严重。典型measure——Area under ROC curve
problem①：
判断是猫还是狗，情况Ⅰ：是猫，情况Ⅱ：是狗，情况Ⅲ：没有猫和狗的特征&&不是猫也不是狗
情况Ⅳ：有很强很深的猫的特征但不是猫，情况Ⅴ：有很强很深的狗的特征但不是狗。
solvetion：加入异常的data，在学习的过程中不只是做分类，而且要给正常的data高的confidence，
用generative models 生成anormal data
可以将coinfidence换成几率，从而来判断
极大似然法求参数
求找出捣乱分子的概率的函数的参数，用极大似然估计
一个常用的“找出捣乱分子的概率的函数”就是正态分布（高斯分布）
图中的D是x的维度（我猜想也就是秩） covariance matrix——协方差矩阵
这里有两个维度，每个维度是一个判别条件，高斯分布的好处就在于可以随意加维度，这样一来就可以增加判断条件，使学习更好
方法二：使用Auto-encoder：
用训练出来的方法来还原需要检测的data，根据还原的data与原data的相似程度，判断data是否normal
其他方法:
concluding remark:
