Statistics and Machine Learning Toolbox™ обеспечивает несколько функций обнаружения аномалии непомеченных многомерных выборочных данных. Функции обнаружения аномалии обнаруживают выбросы (аномалии в обучающих данных) или по образованию модель или путем изучения параметров. Для обнаружения новинки (обнаруживающий аномалии в новых данных с незагрязненными обучающими данными), вы обучаете модель или изучаете параметры с незагрязненными обучающими данными (данные без выбросов) и обнаруживаете аномалии в новых данных при помощи обученной модели или изученных параметров. Для получения дополнительной информации смотрите Безнадзорное Обнаружение Аномалии.
Если вам пометили обучающие данные как нормальные точки и аномалии, можно обучить бинарную модель классификации и использовать resubPredict и predict возразите функциям, чтобы обнаружить аномалии в обучающих данных и новых данных, соответственно. Для списка поддерживавших функций классификации смотрите Классификацию.
Тулбокс также обеспечивает функции обнаружения аномалии модели специфичные, которые можно применить после обучения классификация, регрессия или кластеризирующаяся модель. Для получения дополнительной информации смотрите Обнаружение Аномалии Модели специфичное.
IsolationForest | Лес изоляции для обнаружения аномалии |
ClassificationSVM | Машина опорных векторов (SVM) для и бинарной классификации одного класса |
Безнадзорное обнаружение аномалии
Обнаружьте аномалии с помощью леса изоляции, машины опорных векторов одного класса (OCSVM) и расстояния Mahalanobis.
Обнаружение аномалии с лесом изоляции
Обнаружьте аномалии путем изоляции аномалий от нормальных точек с помощью леса изоляции (ансамбль деревьев изоляции).
Обнаружение аномалии модели специфичное
После обучения классификация регрессия или кластеризирующаяся модель, обнаруживает аномалии, использующие функцию обнаружения аномалии модели специфичную.