事件发生的概率 p(x) 是各个特征的概率的乘积，因为他们是相互独立的。例如检测飞机发动机是否异常，概率为发动机很热的概率和振动很大的概率乘起来。
异常检测算法具体的步骤如下
举一个例子：
一个有 x1、x2 两个特征的数据集，这两个特征的高斯分布分别如图右边所示，将两个概率乘起来得到左下角的图，越靠近中心的概率越大，越可能是正常的，而边缘的概率更低，更可能是异常数据。
评估一个异常检测算法：
实数评估( real-number evaluating)：改变一个特征或者参数可以看出模型是否变得更好或更差 。
假设我们有一些有标签的数据，设 y = 0 为正常， y = 1 为异常，那么假设训练集的所有 y 都为 0 ，即使有几个实际上是 1 也不影响算法工作。如果有很少几个异常的样本，那么创建包含异常样本的交叉验证集和测试集，用交叉验证集调参数，用测试集看结果。
举一个例子：
飞机发动机的检测，假设有10000个正常的样本和20个异常的样本，我们拿6000个正常的样本当做训练集用来训练算法，拿2000个正常的样本和10个异常的样本用来调整算法的参数，剩下的当做测试集。
但是当异常样本的数量非常非常少时，也可以不要测试集，只用训练集和交叉验证集，这种做法的缺点是没办法评估模型在未来的真实数据中的表现。注意，这个过程没有标签，仍是无监督学习。
由于这个数据集的数据非常偏斜（正常样本很多，异常样本很少），可以用之前讲过的精确率、召回率、F1分数这些指标来评估算法。
