异常检测的目标是从数据中识别与大多数样本明显不同的对象或行为。在时间序列场景中，异常往往表现为某个时刻的观测值偏离历史规律。例如设备传感器突然剧烈波动、股票价格异常跳变、网络流量突然激增等。基于预测的异常检测思路是：先利用历史数据建立预测模型，得到某一时刻的预测值，再将预测值与真实值比较。如果误差超过设定阈值，就认为该点可能异常。收集并清洗时间序列数据；建立预测模型；计算预测误差；设置异常判定阈值

聚类是一种无监督学习方法，它在没有类别标签的情况下，根据样本之间的相似性自动发现数据内部结构。常见聚类方法包括 K-Means、层次聚类、DBSCAN 和高斯混合聚类等。高斯混合模型（Gaussian Mixture Model, GMM）是一种基于概率模型的聚类方法。它认为总体数据不是由单一分布产生的，而是由多个高斯分布按一定权重混合生成。每个高斯分布可以看作一个潜在簇。与 K-Means 不同

贝叶斯分类体现了一种重要的数据挖掘思想：用已有知识和新证据共同更新判断。朴素贝叶斯虽然假设简单，但在很多实际任务中表现稳定。它的价值不仅在于分类准确率，也在于提供了一种清晰的概率解释框架。学习本章后，我认识到简单模型并不等于低价值，关键在于理解模型假设，并判断数据是否适合这种假设。