机器学习中的异常检测（Anomaly Detection）是一种用于识别不符合预期模式或与其他数据项不匹配的数据项的技术。这些异常数据项通常被称为离群值、噪声、偏差或例外。在许多领域中，如银行欺诈检测、医疗问题识别、结构缺陷检测等，异常检测都发挥着重要作用。
异常检测方法可以分为三大类：无监督异常检测、监督式异常检测和基于特定模型的异常检测。
1. 无监督异常检测：在假设数据集中大多数实例都是正常的前提下，无监督异常检测方法通过寻找与其他数据最不匹配的实例来检测出未标记测试数据的异常。常见的无监督异常检测方法包括基于统计的方法（如3-Sigma、Z-score等）和基于聚类的方法（如K-means、DBSCAN等）。
2. 监督式异常检测：这类方法需要一个已经被标记为“正常”与“异常”的数据集，并涉及到训练分类器。然而，与许多其他的统计分类问题的关键区别是，异常检测往往面临类别不平衡的挑战，即异常样本远少于正常样本。因此，需要采用一些特殊的技巧，如采样策略、代价敏感学习等，来应对这种不平衡性。
3. 基于特定模型的异常检测：这类方法利用一些特定的机器学习模型进行异常检测，如一类支持向量机（One-Class SVM）、复制神经网络（Replicator Neural Networks）等。这些方法通常具有较强的理论基础，并在某些特定场景下表现出色。
在实际应用中，选择合适的异常检测方法需要根据具体的问题和数据特点来决定。例如，如果数据集中包含大量的未标记数据，并且异常样本非常稀少，那么无监督异常检测方法可能更为合适。相反，如果数据集中已经包含了一定数量的标记样本，并且异常样本与正常样本在特征空间上具有一定的可分性，那么监督式异常检测方法可能更为有效。