Anomaly DetectionVS Supervised Learning 

說到這裡我們肯定都有困惑，當我們有資料類標籤，為什麼我們不直接使用監督性學習而使用Anomaly detection，接下來就對兩者進行對比。

首先Anomaly detection 在資料集上特點是：很少量的positive 資料，很大量的negative資料，這樣我們使用大量的negative資料能夠好的擬合求得聯合高斯概率密度函式。而supervised learning中 positive negative資料量都大。

其次我們有不同型別的異常資料，但是異常資料量很小，任何演算法都很難在小的Anomaly資料集上學習得到Anomaly是什麼樣子。上面兩者對比是你應用Anomaly detection 還是supervise learning 的一些重要區分標準。

Spam是經常提到的一種學習系統，雖然我們有很多型別的Spam，但是每種型別的Spam我們都有比較多的資料，所以Spam問題我們應用的是supervise learning。

其實這兩種狀態並不是完全分割的，舉例說如果我們在交易時有很多為Fraud的，則我們學習問題由Anomaly detection 轉變為supervise learning。