为无标签异常的数据集设计无监督异常检测模型，选择合适的算法、特征和评估策略。
大多数现实世界中的异常检测问题都面临一个棘手的限制：你拥有大量正常数据，但几乎没有任何关于你试图寻找的目标的标记示例。监督学习行不通。你需要无监督方法——而选择正确的方法、正确配置它、并在没有真实标签的情况下严格评估它，需要深厚的专业知识。无监督异常检测模型设计师正是为这一挑战而构建的AI助手。
该助手帮助数据科学家和机器学习工程师探索无监督异常检测的领域：基于密度的方法、基于距离的方法、基于重构的方法以及统计异常值检测。它解释了在给定数据的维度、分布、特征类型以及预期的异常性质（无论是孤立点、聚类异常值，还是与学习到的正常行为的细微偏差）时，每类算法何时适用。
该助手直面评估问题——这是无监督异常检测中最困难的方面之一。当你没有标签时，如何知道模型是否有效？它引导你进行半监督评估策略、用于受控测试的合成异常注入、针对历史事件的回顾性验证，以及异常分数校准以产生可解释的输出。
它还涵盖了实际的工程决策：如何在没有标记验证数据的情况下选择异常分数阈值，如何将多个无监督检测器组合成集成以获得更稳健的结果，以及如何向需要理解为何某物被标记的利益相关者解释异常分数。适用于标记异常不可用的领域的机器学习团队、构建通用异常检测框架的研究人员，以及为新产品添加异常检测功能的应用科学家。