异常检测
发现异常点和新奇点
统计和机器学习工具箱™为未标记的多元样本数据提供了几个异常检测功能。异常检测功能通过训练模型或学习参数来检测异常值(训练数据中的异常值)。对于新颖性检测(使用未受污染的训练数据检测新数据中的异常情况),使用未受污染的训练数据(没有异常值的数据)训练模型或学习参数,并使用训练过的模型或学习过的参数检测新数据中的异常情况。详情请参见无监督异常检测.
如果有标记为正常点和异常点的训练数据,则可以训练二进制分类模型并使用resubPredict
而且预测
对象函数分别检测训练数据和新数据中的异常。有关支持的分类特性列表,请参见万博1manbetx分类.
工具箱还提供了特定于模型的异常检测功能,您可以在训练分类、回归或聚类模型后应用这些功能。详细信息请参见模型特定的异常检测.
功能
对象
IsolationForest |
用于异常检测的隔离森林 |
ClassificationSVM |
万博1manbetx支持向量机(SVM)用于一类和二元分类 |
主题
- 无监督异常检测
使用隔离森林、单类支持向量机(OCSVM)和马氏距离检测异常。万博1manbetx
- 使用隔离林进行异常检测
通过使用隔离林(隔离树的集合)从正常点隔离异常来检测异常。
- 模型特定的异常检测
训练分类、回归或聚类模型后,使用特定于模型的异常检测特征检测异常。
- 建立工业机械和制造过程的条件模型
使用分类学习应用程序训练二元分类模型,以检测从工业制造机器收集的传感器数据中的异常。
相关信息
- 基于三轴振动数据的工业机械异常检测(预测性维护工具箱)