1128.在异常检测中,以下哪个不是常用的方法?

题干分析：本题考查异常检测中常用方法的识别。异常检测是指识别数据中与正常模式显著偏离的观测值或行为，在网络安全、金融欺诈检测、系统健康监测等领域有广泛应用。 选项解析： A：基于统计的方法 该方法假设正常数据服从某种统计分布（如正态分布），通过估计数据的概率模型来判断样本是否为异常点。例如，使用高斯模型计算数据点的概率密度，低概率的数据被视为异常。这是异常检测中的经典方法之一，属于常用技术。 B：基于聚类的方法 该方法认为正常数据通常聚集在密集区域，而异常点往往远离聚类中心或形成小规模孤立簇。常见的如使用K-means、DBSCAN等聚类算法进行异常检测。DBSCAN天然能够识别噪声点，因此被广泛用于异常检测场景。此方法是常用方法之一。 C：基于分类的方法 该方法将异常检测视为分类问题，尤其是使用一类支持向量机（One-Class SVM）或通过有标签数据训练分类器来区分正常与异常类别。在部分监督条件下，这种方法非常有效，也属于常用技术范畴。 D：基于规则的方法 该方法依赖人为设定的规则或阈值来判断异常，例如“交易金额超过10万元即为异常”。虽然在某些特定业务场景中可以使用，但其泛化能力差，难以适应复杂多变的数据模式，且严重依赖专家经验，无法自动学习异常特征。因此，在现代异常检测体系中，它不被视为主流或常用方法，尤其在无监督或半监督学习背景下应用有限。 正确答案：D 核心知识点讲解： 异常检测的主要方法包括： 1. 基于统计的方法：利用参数或非参数模型建模正常行为，识别偏离分布的点。 2. 基于聚类的方法：通过数据点的空间分布特性发现孤立点。 3. 基于分类的方法：特别是无监督或单类分类算法，如One-Class SVM、自编码器等。 4. 其他现代方法还包括基于距离的方法、基于密度的方法和基于机器学习的方法（如孤立森林、Autoencoder等）。 相比之下，“基于规则的方法”虽可用于简单场景，但缺乏自适应性和扩展性，不属于数据驱动的典型异常检测方法，故不是常用方法。