对于异常检测算法，使用特征是至关重要的，下面谈谈如何选择特征：

　　异常检测假设特征符合高斯分布，如果数据的分布不是高斯分布，异常检测算法也能够
工作，但是最好还是将数据转换成高斯分布，例如使用对数函数：?? = ??????(?? + ??)，其中 ??
为非负常数； 或者 ?? = ??^??，??为 0-1 之间的一个分数，等方法。

(注：在python 中，通常用np.log1p()函数，??????1??就是 ??????(?? + 1)，可以避免
出现负数结果，反向函数就是np.expm1())

误差分析：
　　一个常见的问题是一些异常的数据可能也会有较高的??(??)值，因而被算法认为是正常的。
这种情况下误差分析能够帮助我们，我们可以分析那些被算法错误预测为正常的数据，观察
能否找出一些问题。我们可能能从问题中发现我们需要增加一些新的特征，增加这些新特征
后获得的新算法能够帮助我们更好地进行异常检测。

异常检测误差分析：

　　我们也可以通过将一些相关的特征进行组合，来获得一些新的更好的特征（异常数据
的该特征值异常地大或小），例如，在检测数据中心的计算机状况的例子中，我们可以用CPU
负载与网络通信量的比例作为一个新的特征，如果该值异常地大，便有可能意味着该服务器
是陷入了一些问题中。

总结：

　　上面介绍了

　　1.如何选择特征，以及对特征进行一些小小的转换，让数据更
像正态分布，然后再把数据输入异常检测算法；

　　2.建立特征时，进行的误差分析的方法，来捕捉各种异常的可能。