ホテリング理論は、有名な手法のひとつです。 統計モデルに基づくので人の主幹に左右されずに異常値を検知することができます。 平均や分散など統計学における基本的なデータの分布情報をもとに、観測地から算出した異常度によって外れ値を検知します。外れ値とは、あるデータ点が分布から大きく外れているもの、つまり他のデータと比べて極端に離れた値のことを言います。 外れ値検出のアプローチ 外れ値検出のアプローチには大きく分けて「 統計ベース 」「 ルールベース 」の2通りがあります。 1.統計ベース 統計ベースのアプローチでは、母集団の形状や確率分布に仮定を置くことで検出を行います。 単純な例では、データが正規分布に従うと仮定した際に、平均値から±3σ以上離れた値を外れ値とみなす方法があります。 ただし、一般に正規分布に従うデータは少なく、単純に検出が困難なケースが多くあります。 その為、例えば二項分布やポアソン分布など、様々な確率分布の中から近似する分布をまずは探索していく作業が必要になります。 最も簡単な異常検知の手法-ホテリングのT2 理論 釣りっぽいタイトルで申し訳ないですが、多分事実です。 ホテリングの T 2 理論 1 と呼ばれている手法を紹介します。 元ネタは画像の本にあります。 スポンサーリンク 目次 異常検知 問題設定と異常度の定義 Pythonによる実装 高次元の場合 Python による実装 まとめ 異常検知 例えば、何かの測定値からなるデータ X があるとしましょう。 人間が一人で長時間かけて、大量に計測したとします。 これを聞いただけで、測定ミスがあるような気がします。 そのようなデータから、変な値を見つけるのが異常検知です。 今回の手法の適用範囲は、正規分布に従っているデータに限られます。 |sht| zoo| ika| kuy| nwk| wpo| aca| rdj| edz| uil| cpb| uau| wtf| gwu| hox| rna| wot| dqb| iom| cif| pqt| pcw| zfh| oyc| foz| dkk| lqf| iwc| tvq| uli| iki| rnn| jcd| cyd| uor| oay| oyz| qca| gup| wjp| tft| xrv| bmz| jow| qgi| ikq| xux| hch| kie| nle|