异常检测
检测异常值和小礼品
统计和机器学习工具箱™提供几个标记多元样本数据的异常检测功能。异常检测功能检测离群值(在训练数据异常)通过模型训练或学习参数。新奇检测(检测异常在新数据与未被污染的训练数据),你训练或学习参数模型与未被污染的训练数据(数据没有异常值)和检测异常新数据通过训练或学习参数模型。更多细节,请参阅无监督异常检测。
如果你有训练数据标记为正常点和异常,你可以训练一个二进制分类模型和使用resubPredict和预测对象在训练数据和新功能来检测异常数据,分别。支持的分类功能列表,请参阅金宝app分类。
工具箱还提供了模型相关的异常检测功能,您可以应用在训练一个分类,回归,或聚类模型。有关详细信息,请参见模型相关的异常检测。
功能
对象
IsolationForest |
隔离森林异常检测 |
RobustRandomCutForest |
鲁棒随机森林的异常检测模型 |
LocalOutlierFactor |
局部离群值因素的异常检测模型 |
OneClassSVM |
看到下面成了一个支持金宝app向量机(SVM)进行异常检测 |
主题
- 无监督异常检测
使用隔离森林检测异常,健壮的随机森林减少,局部离群值的因素,看到下面成了一个支持向量机,而距离。
- 异常检测与隔离森林
检测异常孤立异常从正常点使用一个隔离森林(合奏的孤立树)。
- 模型相关的异常检测
训练一个分类后,回归,或聚类模型,检测使用一个模型相关的异常检测功能异常。
- 工业机械和制造过程模型构建条件
火车一个二进制分类模型用分类学习者应用检测异常传感器收集的数据从一个工业制造机器。
- 异常检测的代码生成
生成单精度检测的代码使用一个训练有素的异常数据隔离森林SVM模型或看到下面成了。
相关信息
- 使用三轴振动数据异常检测在工业机械(预测维护工具箱)
