异常检测涵盖了大量数据分析用例。然而，这里的异常检测特指检测意外事件，无论是心脏事件，机械故障，黑客攻击还是欺诈性交易。

事件的意外特征意味着数据集中没有这样的示例。分类解决方案通常需要所有相关类的一组示例。那么，在没有可用示例的情况下，我们该如何处理?它需要稍微改变一下。

在这种情况下，我们只能训练非故障数据的机器学习模型; 也就是说，描述系统在正常条件下运行的数据。输入数据是异常还是仅仅是常规操作的评估只能在预测完成后在部署中执行。这个想法是在正常数据上训练的模型只能预测下一个正常的样本数据。但是，如果系统不再在正常情况下工作，输入数据将不会描述正确工作的系统，并且模型预测将偏离现实。然后，现实样本和预测样本之间的误差可以告诉我们基础系统的条件。

在IoT(物联网)数据中，信号时间序列由策略性地位于机械设备或组件上或周围的传感器产生。时间序列是变量随时间变化的值序列。在这种情况下，变量描述了设备的机械特性，并且通过一个或多个传感器测量。通常，机械设备正常工作。因此，我们在正常条件下工作的设备有大量样本，接近零设备故障示例。特别是如果设备在机械链中起着关键作用，它通常会在任何故障发生之前退役并损害整个机器。

因此，我们只能在描述系统按预期工作的多个时间序列上训练机器学习模型。当系统正常工作时，该模型将能够预测时间序列中的下一个样本，因为这是它的训练方式。然后我们计算预测样本和实际样本之间的距离，然后从中得出关于一切是否按预期工作或是否有任何理由需要关注的结论。