Main Content

このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。

異常検出

外れ値および新規性の検出

Statistics and Machine Learning Toolbox™ には、ラベル付けされていない多変量の標本データ向けの異常検出機能がいくつか用意されています。異常検出機能では、モデルに学習させるかパラメーターを学習することで外れ値 (学習データの異常) を検出します。新規性の検出 (汚染されていない学習データで新規のデータの異常を検出) では、汚染されていない学習データ (外れ値がないデータ) でモデルに学習させるかパラメーターを学習し、学習させたモデルまたは学習したパラメーターを使用して新規のデータの異常を検出します。詳細については、教師なし異常検出を参照してください。

標準の点と異常のラベルが付いた学習データがある場合は、バイナリ分類モデルに学習させて、オブジェクト関数 resubPredict と predict をそれぞれ使用して学習データと新規のデータの異常を検出できます。サポートされる分類特徴のリストについては、分類を参照してください。

ツールボックスには、分類モデル、回帰モデル、またはクラスタリング モデルに学習させた後に適用できるモデル固有の異常検出機能も用意されています。詳細については、モデル固有の異常検出を参照してください。

関数

すべて展開する

iforest異常検出用の孤立森の当てはめ
isanomaly孤立森を使用したデータ中の異常の検出
fitcsvm1 クラスおよびバイナリ分類用のサポート ベクター マシン (SVM) 分類器の学習
resubPredict学習済み分類器を使用した学習データの分類
predictサポート ベクター マシン (SVM) 分類器を使用して観測値を分類
robustcovロバスト多変量共分散および平均の推定
mahal基準標本に対するマハラノビス距離
pdist2観測値の 2 つの集合間のペアワイズ距離

オブジェクト

IsolationForest異常検出用の孤立森
ClassificationSVM1 クラスおよびバイナリ分類用のサポート ベクター マシン (SVM)

トピック

  • 教師なし異常検出

    孤立森、1 クラス サポート ベクター マシン (OCSVM)、およびマハラノビス距離を使用して異常を検出する。

  • 孤立森による異常検出

    孤立森 (孤立木のアンサンブル) を使用して異常を正常な点から分離することで異常を検出する。

  • モデル固有の異常検出

    分類モデル、回帰モデル、またはクラスタリング モデルに学習させた後に、モデル固有の異常検出機能を使用して異常を検出する。

  • 産業機械と製造工程の条件モデルの作成

    分類学習器アプリを使用してバイナリ分類モデルに学習させて、産業製造機械から収集されたセンサー データの異常を検出する。

関連情報