Advertisement

常用的异常检测数据集

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本数据集集合了多种常见的用于异常检测的研究数据，涵盖网络、传感器、医疗等领域，为算法开发与性能评估提供支持。 异常检测常用的一些数据集包括信用卡欺诈交易记录、网络入侵日志以及工业传感器读数等。这些数据集通常包含大量正常操作的数据点，并且掺杂着少量的异常事件，用于训练机器学习模型识别不寻常的行为或模式。研究人员和工程师可以利用这些资源来开发更有效的算法以提高系统的安全性和可靠性。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 常用的异常检测数据集
    优质
    本数据集集合了多种常见的用于异常检测的研究数据，涵盖网络、传感器、医疗等领域，为算法开发与性能评估提供支持。 异常检测常用的一些数据集包括信用卡欺诈交易记录、网络入侵日志以及工业传感器读数等。这些数据集通常包含大量正常操作的数据点，并且掺杂着少量的异常事件，用于训练机器学习模型识别不寻常的行为或模式。研究人员和工程师可以利用这些资源来开发更有效的算法以提高系统的安全性和可靠性。
     
  • 常用的异常检测数据集
    优质
    本数据集合汇集了广泛使用的异常检测测试集合，涵盖网络、系统日志、传感器等多种类型的数据源，旨在促进异常检测算法的研究与开发。 异常检测常用的一些数据集包括信用卡欺诈检测、网络入侵识别以及工业设备故障预警等领域中的公开数据集。这些数据集通常包含正常行为的数据样本与异常事件的标记，便于研究者进行模型训练及性能评估。
     
  • 高光谱异常检测常用的数据集
    优质
    本数据集包含多种地物的高光谱图像，旨在支持高光谱遥感中的异常目标检测研究。适用于算法开发与性能评估。 高光谱异常检测常用的数据集包括 airport-beach-urban、HYDICE 和 sandiego。
     
  • 常用的高光谱异常检测数据集ABU
    优质
    ABU是常用的一种高光谱图像异常检测数据集，包含大量的背景像素和分散其中的多种目标，广泛应用于算法测试与性能评估。 常用高光谱异常检测数据集之一是ABU数据集。
     
  • 高光谱异常检测数据集
    优质
    高光谱异常检测数据集是一套用于识别与背景环境在化学或物理特性上存在显著差异的目标或区域的数据集合，广泛应用于矿物勘探、环境保护及军事侦察等领域。 本资源包含高光谱异常探测工作中常用的两组数据集：圣地亚哥机场数据和HYDICE数据集。这些数据均为mat格式，并包含了真实异常分布图。
     
  • 高光谱异常检测合成数据集
    优质
    本数据集专为高光谱图像中的异常检测设计，包含大量人工合成样本，旨在提升算法在复杂背景下的识别精度与鲁棒性。 分享了一个高光谱异常探测合成数据集，尺寸为120x120像素，主要用于高光谱图像的异常检测。如有需要，请自行下载使用，并参考文件中的论文描述进行引用。相关代码可在本人分享资源处下载。
     
  • 时间序列数据的异常检测
    优质
    时间序列数据的异常检测旨在识别偏离正常模式的数据点或模式，应用广泛于金融、医疗和物联网等领域，对保障系统稳定性和预测准确性至关重要。 关于时序数据异常检测的综述，即outlier detection for temporal data的研究概述。
     
  • KDD Cup 99 数据集上的二分类异常检测
    优质
    本研究聚焦于KDD Cup 99数据集，采用多种机器学习算法进行二分类异常检测，旨在提升网络安全领域的入侵检测效率与准确性。 KDD CPU99 数据集已经经过处理，适合用于二分类问题如异常检测。数据集已分为训练集与测试集，并分别保存在两个文件中。
     
  • PyOD - 异常检测用的Python工具包（又称异常值检测）-python
    优质
    PyOD是用于异常检测(或异常值检测)的综合性Python工具包，提供了多种先进的算法以帮助用户识别数据中的异常点。 PyOD 是一个全面且可扩展的 Python 工具包，用于检测多元数据中的异常值（也称为外围对象）。自2017年以来，它已被广泛应用于各种学术研究和商业产品中，并在机器学习社区内通过一系列专门帖子/教程得到了认可。该工具包的特点包括统一的 API、详细的文档以及多种算法的交互式示例。此外，PyOD 还支持高级模型如神经网络/深度学习及异常值集成方法，并尽可能使用 numba 和 joblib 以 JIT 编译和并行化技术优化性能。它兼容 Python 2 及 Python 3 环境。 需要注意的是，Python 2.7 的维护将于2020年结束，在此之后不再推荐继续使用该版本的 Python 进行开发工作。