이상 감지

이상값(outlier) 및 특이값(novelty) 감지

Statistics and Machine Learning Toolbox™는 레이블이 지정되지 않은 다변량 표본 데이터에 대한 여러 이상 감지 기능을 제공합니다. 또한 단일 클래스 서포트 벡터 머신(SVM) 알고리즘과 로버스트 랜덤 컷 포레스트 알고리즘을 사용하여 스트리밍 데이터에서 이상을 감지할 수 있습니다(Incremental Anomaly Detection Overview 항목 참조). 이상 감지 기능은 모델을 훈련시키거나 파라미터를 학습하여 이상값(훈련 데이터의 이상)을 감지합니다. 특이값 감지의 경우(오염되지 않은 훈련 데이터로 새 데이터에서 이상 감지), 오염되지 않은 훈련 데이터(이상값이 없는 데이터)로 모델을 훈련시키거나 파라미터를 학습하고, 훈련된 모델 또는 학습된 파라미터를 사용하여 새 데이터에서 이상을 감지할 수 있습니다. 자세한 내용은 Unsupervised Anomaly Detection 항목을 참조하십시오.

정상적인 점과 정상적이지 않은 점으로 레이블이 지정된 훈련 데이터가 있는 경우 이진 분류 모델을 훈련시키고 resubPredict 및 predict 객체 함수를 사용하여 각각 훈련 데이터 및 새 데이터에서 이상을 감지할 수 있습니다. 지원되는 분류 기능 목록은 분류 항목을 참조하십시오.

이 툴박스는 또한 분류, 회귀 또는 군집 모델을 훈련시킨 후에 적용할 수 있는 모델별 이상 감지 기능을 제공합니다. 자세한 내용은 Model-Specific Anomaly Detection 항목을 참조하십시오.

함수

모두 확장

격리 포레스트

`iforest`	Fit isolation forest for anomaly detection (R2021b 이후)
`isanomaly`	Find anomalies in data using isolation forest (R2021b 이후)

로버스트 랜덤 컷 포레스트

`rrcforest`	Fit robust random cut forest model for anomaly detection (R2023a 이후)
`isanomaly`	Find anomalies in data using robust random cut forest (R2023a 이후)

로컬 이상값 인자

`lof`	Create local outlier factor model for anomaly detection (R2022b 이후)
`isanomaly`	Find anomalies in data using local outlier factor (R2022b 이후)

단일 클래스 서포트 벡터 머신(SVM)

`ocsvm`	Fit one-class support vector machine (SVM) model for anomaly detection (R2022b 이후)
`isanomaly`	Find anomalies in data using one-class support vector machine (SVM) (R2022b 이후)

마할라노비스 거리

`robustcov`	Robust multivariate covariance and mean estimate
`mahal`	기준 표본까지의 마할라노비스 거리
`pdist2`	두 관측값 세트 간의 쌍별(Pairwise) 거리

점진적 로버스트 랜덤 컷 포레스트

`incrementalLearner`	Convert robust random cut forest model to incremental learner (R2023b 이후)
`fit`	Train robust random cut forest model for incremental anomaly detection (R2023b 이후)
`isanomaly`	Find anomalies in data using robust random cut forest (RRCF) for incremental learning (R2023b 이후)
`reset`	Reset incremental robust random cut forest model (R2023b 이후)

점진적 단일 클래스 서포트 벡터 머신(SVM)

`incrementalLearner`	Convert one-class SVM model to incremental learner (R2023b 이후)
`fit`	Train one-class SVM model for incremental anomaly detection (R2023b 이후)
`isanomaly`	Find anomalies in data using one-class support vector machine (SVM) for incremental learning (R2023b 이후)
`reset`	Reset incremental one-class SVM model (R2023b 이후)

객체

`IsolationForest`	Isolation forest for anomaly detection (R2021b 이후)
`RobustRandomCutForest`	Robust random cut forest model for anomaly detection (R2023a 이후)
`LocalOutlierFactor`	Local outlier factor model for anomaly detection (R2022b 이후)
`OneClassSVM`	One-class support vector machine (SVM) for anomaly detection (R2022b 이후)
`incrementalRobustRandomCutForest`	Robust random cut forest model for incremental anomaly detection (R2023b 이후)
`incrementalOneClassSVM`	One-class support vector machine (SVM) model for incremental anomaly detection (R2023b 이후)

도움말 항목

Unsupervised Anomaly Detection
Detect anomalies using isolation forest, robust random cut forest, local outlier factor, one-class SVM, and Mahalanobis distance.
Incremental Anomaly Detection Overview
Discover fundamental concepts about incremental anomaly detection in streaming data.
Configure Model for Incremental Anomaly Detection
Prepare a model for incremental anomaly detection and fitting on a data stream.
Anomaly Detection with Isolation Forest
Detect anomalies by isolating anomalies from normal points using an isolation forest (ensemble of isolation trees).
Model-Specific Anomaly Detection
After training a classification, regression, or clustering model, detect anomalies using a model-specific anomaly detection feature.
Build Condition Model for Industrial Machinery and Manufacturing Processes
Train a binary classification model using Classification Learner App to detect anomalies in sensor data collected from an industrial manufacturing machine.
Code Generation for Anomaly Detection
Generate single-precision code that detects anomalies in data using a trained isolation forest model or one-class SVM.