当用户访问我的Python Web服务时，我正在收集许多非常有趣的数据点。例如，我有他们当前的城市，州，国家，用户代理等。我希望能够做的是通过某种类型的机器学习系统/算法（可能是贝叶斯分类器？）来运行它们，最终目标是在出现异常情况时（异常检测）获取电子邮件通知。例如，Jane Doe只在Chrome上从美国登录。因此，如果她突然在Firefox上从乌克兰登录我的网络服务，我希望看到这是一个非常“不寻常”的事件并触发通知。
我已经在使用CouchDB（特别是Cloudant），我看到人们经常在网上说，Cloudant / CouchDB非常适合这种事情（大数据分析）。但是我完全不知道从哪里开始。我没有找到关于相对简单地跟踪Web服务的外围事件的文档，更不用说使用CouchDB存储以前“学习”的数据了。我看到了几种用于进行此类数据处理的专用系统（需要想到的是PredictionIO），但我不禁觉得，考虑到CouchDB的本质，它们是过度的。
任何见解都会非常感激。谢谢！
你认为这是一个非常适合机器学习的问题是正确的，而scikit-learn.org是我对这类问题的首选库。现在不要担心细节 - （couchdb cloudant），让你的问题进入可以解决的状态。
如果我们可以假设给定用户的登录详细信息（时间，位置，用户代理等）的变化很小，那么任何大的变化都会触发您的警报。这就是@Robert McGibbon建议的'离群'检测发挥作用的地方。
例如，将每个登录详细信息压缩到一个维度，并为每个用户创建一个登录详细信息向量（有很大的空间来改进登录信息的摘要）;
等等。每次用户登录时，都会创建此详细信息数组并存储它。一旦累积了大量测试数据，就可以尝试运行一些ML例程。
因此，我们有一个用户和一组与成功登录（训练集）相对应的登录数据。我们现在可以训练Support Vector Machine来识别这个用户的登录模式：
from sklearn import svm
# training data [[11.0, 2, 2], [11.3, 2, 2] ... etc]
train_data = my_training_data()
# create and fit the model
clf = svm.OneClassSVM()
clf.fit(train_data)
然后，每次新的登录发生时，创建一个登录详细信息数组并将其传递给SVM
if clf.predict(log_in_data) < 0:
fire_alert_event()
else:
# log-in is not dissimilar to previous attempts
print('log in ok')
如果SVM发现新数据点与其训练集明显不同，则它将触发警报。
我的两便士。一旦掌握了良好的训练集，就会有更多ML技术可能更适合您的任务（它们可能更快，更准确等）但是创建训练集然后训练例程将是最多的重大挑战。
有许多令人兴奋的事情要尝试！如果您知道登录尝试不正确，可以使用更复杂的SVM将这些添加到训练集中，您可以使用好的和坏的登录进行训练。您可以找到欧几里德不同的登录并使用它，而不是使用不同的“位置”值数组！这听起来很有趣，祝你好运！
我还认为使用sklearn的svm.OneClassSVM的方法会产生一个好的离群检测器。但是，我根据问题中的示例汇总了一些代表性数据，它根本无法检测到异常值。我扫描了从.01到.99的nu和gamma参数，发现没有令人满意的SVM预测器。
我的理论是，由于样本具有分类数据（城市，州，国家，网络浏览器），SVM算法不是正确的方法。 （我做过，BTW，首先使用DictVectorizer.fit_transform方法将数据转换为二进制特征向量）。
我相信当他建议使用贝叶斯分类器时，@ sullivanmatt正走在正确的轨道上。贝叶斯分类器用于监督学习，但至少在表面上，这个问题被视为无监督学习问题，即我们不知道哪些观察是正常的，哪些是异常值。
因为您想要检测的异常值在网站访问流中非常罕见，我相信您可以通过将训练集中的每个观察值标记为正/正常观察来训练贝叶斯分类器。分类器应该预测真正的正常观察具有更高的概率，因为大多数观察结果确实是正常的。真正的异常值应该突出显示为接收低预测概率。
如果您在此期间尝试调查用户行为异常，我建议您查看time-series anomaly detectors。通过这种方法，您将能够统计/自动地找出新的，可能可疑的新出现的模式和异常事件。
http://www.autonlab.org/tutorials/biosurv.html和http://web.engr.oregonstate.edu/~wong/workshops/icml2006/slides/agarwal.ppt解释了一些基于机器学习的技术。在这种情况下，您可以使用scikit-learn.org，这是一个非常强大的Python库，包含大量的ML算法。