AnomalyDetection

AnomalyDetection[{example1,example2,…}]

与えられた例に基づいてAnomalyDetectorFunction[…]を生成する．

AnomalyDetection[LearnedDistribution[…]]

与えられた分布に基づいて異常検出器を生成する．

AnomalyDetection[True{example11,example12,…},False{example21,…}]

どの例が異常であるとみなされるべきかを示すために使うことができる．

詳細とオプション

  • AnomalyDetectionは，数値，名義，画像等のさまざまなデータ型に使うことができる．
  • 各 exampleiは，単一のデータ要素，データ要素のリスト，あるいはデータ要素の連想でよい．例はDatasetオブジェクトとして与えることもできる．
  • AnomalyDetection[examples]は，新たな例が与えられると異常を検出するAnomalyDetectorFunction[…]を与える．
  • FindAnomalies[AnomalyDetectorFunction[…],data,…]を使って，与えられた検出器によって data 中の異常を求めることができる．
  • AnomalyDetectionは，異常（つまり「分布から外れる」例）を検出するために，異常がないデータの分布をモデル化しようとする．例のRarerProbabilityの値がAcceptanceThresholdで指定された値よりも低いとき，その例は異常であるとみなされる．
  • 検定データが訓練データと同じ分布からのもののとき，AcceptanceThresholdは異常検出の偽陽性率に相当する．
  • AnomalyDetectionは，どの例が異常であるかあるいは異常ではないかを示して使うことも指定せずに使うこともできる．どの例が異常であるか示すことは異常検出装置の訓練に役立ち，検出装置がAcceptanceThresholdの値を自動的に決定できるようにする．
  • AnomalyDetection[True{example11,example12,…},False{example21,…}]のTrueは対応する例が異常であることを示し，Falseはそうではないことを示す．これらのラベルはAnomalyDetection[{example1,example2,…}{True,False,…}]およびAnomalyDetection[{example1True,example2False,…}]でも指定できる．
  • AnomalyDetection[{example1,example2,…}{i,j,…}]を使って，exampleiや examplej等が異常でありその他は異常ではないとみなすべきであると指定できる．
  • AnomalyDetection[{example1,example2,…}{}]は，例の中に異常なものがないと指定する．
  • 次のオプションを与えることができる：
  • AcceptanceThreshold 0.001例を異常であるとみなすRarerProbability閾値
    FeatureExtractorIdentity学習する特徴をどのように抽出するか
    FeatureNamesAutomatic入力データに割り当てる特徴名
    FeatureTypesAutomatic入力データに仮定する特徴タイプ
    Method Automaticどのモデリングアルゴリズムを使用するか
    PerformanceGoal Automatic最適化するパフォーマンスの局面
    RandomSeeding1234擬似乱数生成器のどのシーディングを内部的に行うか
    TimeGoal Automatic検出器の訓練にどの程度の時間を費やすか
    TrainingProgressReporting Automatic訓練中の進捗状況をどのように報告するか
    ValidationSetAutomatic訓練中にモデルの評価に使うデータ集合
  • 次は，PerformanceGoalの可能な設定である．
  • "Memory"検出器の必要メモリを最小にする
    "Quality"検出器のモデリング品質を最高にする
    "Speed"新たな異常を検出するスピードを最高にする
    "TrainingSpeed"検出器の生成に要する時間を最小にする
    Automaticスピード，品質，メモリの自動トレードオフ
    {goal1,goal2,…}goal1，goal2等を自動的に結合する
  • Methodの可能な設定はLearnDistribution[…]で与えられるものと同じである．
  • 次は，TrainingProgressReportingの使用可能な設定である．
  • "Panel"動的に更新されるグラフィカルなパネルを表示する
    "Print"Printを使って定期的に情報を報告する
    "ProgressIndicator"単純なProgressIndicatorを表示する
    "SimplePanel"動的に更新される，学習曲線なしのパネル
    None情報は何も報告しない
  • 次は，RandomSeedingの可能な設定である．
  • Automatic関数が呼び出されるたびに自動的にシードを再設定する
    Inherited外部でシードされた乱数を使う
    seed明示的な整数または文字列をシードとして使う
  • AnomalyDetection[…,FeatureExtractor"Minimal"]は，内部的な前処理ができるだけ簡単に行われるべきであることを示す．

例題

すべて開くすべて閉じる

例  (2)

検出器関数を数値データ集合で訓練する：

訓練済みの検出器を使って異常とみなされる例を求める：

AnomalyDetectorFunctionを色のリストで訓練する：

訓練済みの異常検出器を使って異常値を求めようとする：

スコープ  (5)

異常な例にTrue，それ以外にFalseのラベルを付けることでAnomalyDetectorFunctionを訓練する：

訓練されたAnomalyDetectorFunctionを使って異常を見付ける：

異常な例はないと指定してAnomalyDetectorFunctionを訓練する：

訓練されたAnomalyDetectorFunctionを使って異常を見付ける：

色について分布を訓練する：

訓練された分布に基づいてAnomalyDetectorFunctionを生成する：

検出関数を使って分布外の色を見付ける：

擬似実数乱数の二次元配列でAnomalyDetectorFunctionを訓練する：

訓練済みのAnomalyDetectorFunctionを使って，FindAnomaliesで新たな例の中の異常を求める：

訓練済みのAnomalyDetectorFunctionを使って異常値とそれに対応する位置を求める：

画像の訓練と検証のデータ集合のランダムな例を入手する：

異常な例を加えてデータ集合が間違いを含むようにする：

訓練集合中の既知の異常値の位置を指定することで，「教師あり」の異常検出装置を訓練する：

訓練された異常検出装置を検証集合に使う：

オプション  (5)

AcceptanceThreshold  (1)

異常値を含むランダムな3Dベクトルを作成し，可視化する：

訓練集合で異常検出器関数を訓練する：

異常検出器関数を使って検定集合中の異常な例を求め，可視化する：

AcceptanceThresholdを指定して異常検出の偽陽性率を変える：

Method  (1)

画像の訓練データ集合と検定データ集合を得る：

検定集合に「分布から外れる」例を加える：

"Multinormal"メソッドを使って異常検出器を訓練する：

検定集合中の異常な例を求める：

"KernelDensityEstimation"メソッドを使って異常検出器を訓練し，異常値を求めようとする：

PerformanceGoal  (1)

数値属性を使用してFisherのアヤメに関するデータ集合をロードする：

PerformanceGoalを指定して異常検出器関数を訓練する：

パフォーマンス目標を変えて異常検出器関数の訓練時間を比較する：

TimeGoal  (1)

画像のデータ集合を取得し，時間の目標を設定して異常検出器関数を訓練する：

異常検出の訓練時間を得る：

TrainingProgressReporting  (1)

画像のデータ集合を取得する：

訓練の進捗状況をプロットはせずにインタラクティブに表示する：

訓練中に進捗状況を定期的に出力する：

簡単な進捗インジケータを表示する：

アプリケーション  (1)

画像の訓練データ集合と検定データ集合を得る：

検定集合に異常な例を加える：

訓練集合で異常検出器を訓練する：

検定集合中の異常な例を求める：

Wolfram Research (2019), AnomalyDetection, Wolfram言語関数， https://reference.wolfram.com/language/ref/AnomalyDetection.html （2020年に更新）.

テキスト

Wolfram Research (2019), AnomalyDetection, Wolfram言語関数， https://reference.wolfram.com/language/ref/AnomalyDetection.html （2020年に更新）.

CMS

Wolfram Language. 2019. "AnomalyDetection." Wolfram Language & System Documentation Center. Wolfram Research. Last Modified 2020. https://reference.wolfram.com/language/ref/AnomalyDetection.html.

APA

Wolfram Language. (2019). AnomalyDetection. Wolfram Language & System Documentation Center. Retrieved from https://reference.wolfram.com/language/ref/AnomalyDetection.html

BibTeX

@misc{reference.wolfram_2024_anomalydetection, author="Wolfram Research", title="{AnomalyDetection}", year="2020", howpublished="\url{https://reference.wolfram.com/language/ref/AnomalyDetection.html}", note=[Accessed: 22-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_anomalydetection, organization={Wolfram Research}, title={AnomalyDetection}, year={2020}, url={https://reference.wolfram.com/language/ref/AnomalyDetection.html}, note=[Accessed: 22-November-2024 ]}