Enviar búsqueda
Cargar
マハラノビス距離を用いた異常値検知
•
Descargar como PPTX, PDF
•
3 recomendaciones
•
3,656 vistas
Y
Yuto Mori
Seguir
Anomaly detection using Mahalanobis distance
Leer menos
Leer más
Tecnología
Denunciar
Compartir
Denunciar
Compartir
1 de 46
Descargar ahora
Recomendados
データサイエンス概論第一 5 時系列データの解析
データサイエンス概論第一 5 時系列データの解析
Seiichi Uchida
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
データサイエンス概論第一=2-1 データ間の距離と類似度
データサイエンス概論第一=2-1 データ間の距離と類似度
Seiichi Uchida
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
Satoshi Kato
心理学におけるオープンサイエンス入門(OSF&PsyArXiv編)
心理学におけるオープンサイエンス入門(OSF&PsyArXiv編)
daiki hojo
Transformerを用いたAutoEncoderの設計と実験
Transformerを用いたAutoEncoderの設計と実験
myxymyxomatosis
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
Recomendados
データサイエンス概論第一 5 時系列データの解析
データサイエンス概論第一 5 時系列データの解析
Seiichi Uchida
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
データサイエンス概論第一=2-1 データ間の距離と類似度
データサイエンス概論第一=2-1 データ間の距離と類似度
Seiichi Uchida
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
Satoshi Kato
心理学におけるオープンサイエンス入門(OSF&PsyArXiv編)
心理学におけるオープンサイエンス入門(OSF&PsyArXiv編)
daiki hojo
Transformerを用いたAutoEncoderの設計と実験
Transformerを用いたAutoEncoderの設計と実験
myxymyxomatosis
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
[DL輪読会]Relational inductive biases, deep learning, and graph networks
[DL輪読会]Relational inductive biases, deep learning, and graph networks
Deep Learning JP
MCMCと正規分布の推測
MCMCと正規分布の推測
Gen Fujita
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
Masatoshi Yoshida
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ryosuke-kojima
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
機械学習を用いた異常検知入門
機械学習を用いた異常検知入門
michiaki ito
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
単純パーセプトロン
単純パーセプトロン
T2C_
学振特別研究員になるために~2024年度申請版
学振特別研究員になるために~2024年度申請版
Masahito Ohue
自由エネルギー原理から エナクティヴィズムへ
自由エネルギー原理から エナクティヴィズムへ
Masatoshi Yoshida
One Class SVMを用いた異常値検知
One Class SVMを用いた異常値検知
Yuto Mori
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
Deep Learning JP
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
ベイズ推定の概要@広島ベイズ塾
ベイズ推定の概要@広島ベイズ塾
Yoshitake Takebayashi
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門
Shohei Hido
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
Deep Learning JP
幾何を使った統計のはなし
幾何を使った統計のはなし
Toru Imai
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
Ayako_Hasegawa
Más contenido relacionado
La actualidad más candente
[DL輪読会]Relational inductive biases, deep learning, and graph networks
[DL輪読会]Relational inductive biases, deep learning, and graph networks
Deep Learning JP
MCMCと正規分布の推測
MCMCと正規分布の推測
Gen Fujita
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
Masatoshi Yoshida
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ryosuke-kojima
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
機械学習を用いた異常検知入門
機械学習を用いた異常検知入門
michiaki ito
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
単純パーセプトロン
単純パーセプトロン
T2C_
学振特別研究員になるために~2024年度申請版
学振特別研究員になるために~2024年度申請版
Masahito Ohue
自由エネルギー原理から エナクティヴィズムへ
自由エネルギー原理から エナクティヴィズムへ
Masatoshi Yoshida
One Class SVMを用いた異常値検知
One Class SVMを用いた異常値検知
Yuto Mori
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
Deep Learning JP
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
ベイズ推定の概要@広島ベイズ塾
ベイズ推定の概要@広島ベイズ塾
Yoshitake Takebayashi
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門
Shohei Hido
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
Deep Learning JP
幾何を使った統計のはなし
幾何を使った統計のはなし
Toru Imai
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
Ayako_Hasegawa
La actualidad más candente
(20)
[DL輪読会]Relational inductive biases, deep learning, and graph networks
[DL輪読会]Relational inductive biases, deep learning, and graph networks
MCMCと正規分布の推測
MCMCと正規分布の推測
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
Stan超初心者入門
Stan超初心者入門
機械学習を用いた異常検知入門
機械学習を用いた異常検知入門
変分ベイズ法の説明
変分ベイズ法の説明
単純パーセプトロン
単純パーセプトロン
学振特別研究員になるために~2024年度申請版
学振特別研究員になるために~2024年度申請版
自由エネルギー原理から エナクティヴィズムへ
自由エネルギー原理から エナクティヴィズムへ
One Class SVMを用いた異常値検知
One Class SVMを用いた異常値検知
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
ベイズ推定の概要@広島ベイズ塾
ベイズ推定の概要@広島ベイズ塾
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
幾何を使った統計のはなし
幾何を使った統計のはなし
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
マハラノビス距離を用いた異常値検知
1.
マハラノビス距離を用いた 異常値検知 Anomaly detection using
Mahalanobis distance 公立はこだて未来大学 森雄斗 1
2.
概要 教師なし学習により、データのパターンを学習させ、パ ターンから外れたデータを異常値として検出する。 検出方法は、マハラノビス距離(Mahalanobis Distance)を 利用する。 2
3.
様々な距離測定 ユークリッド距離 マンハッタン距離
マハラノビス距離 チェビシェフ距離 ミンコフスキー距離 … 3
4.
マハラノビス距離とは データの各方向への散らばり具合まで 考慮した「データ群からの距離」 データに相関関係が強いほど等距離線 が楕円になる http://sky.geocities.jp/rdhdf849/maharanobis.htm 4
5.
ユークリッド距離と マハラノビス距離 ユークリッド距離=等距離線が円 マハラノビス距離=等距離線が楕円 右図のAとCはユークリッド距離を用いると等距 離だが、マハラノビス距離を用いると等距離で ない。 人間から見ても、マハラノビス距離が一番離れ ている点Aが外れ値だと判断できる。 →マハラノビス距離が大きいほど異常度が高い 5
6.
実験環境 Python 3.6.0 Pandas,
Matplotlib, Numpy, Scipy, Axes3D 実際のデータ(全てが正常値) MachineA.csv → 22673個 × 3 (X軸, Y軸, Z軸) MachineB.csv → 18703個 × 3 (X軸, Y軸, Z軸) 6
7.
データ入力(MachineA, X軸)7
8.
データ入力(MachineA, Y軸)8
9.
データ入力(MachineA, Z軸)9
10.
データ入力(MachineA) 特徴 • Y軸は-0.25~0.35と範囲が狭い • Z軸は0以上 •
時系列における定まった分布 (振動など)が存在しない 10
11.
MachineAの相関関係(X-Y)11
12.
MachineAの相関関係(X-Z)12
13.
MachineAの相関関係(Y-Z)13
14.
MachineAの相関関係 特徴 • X-Zグラフは負の相関が強い • 重心に点が集中している 14
15.
MachineAのマハラノビス距離15
16.
正確性の吟味 閾値を0.92に設定 ↓ Mahalanobis
Distance > 0.92 が成り立つ値を異常値と仮定する 右図の赤点が異常値 16 基準に近い閾値を0.03に設定 ↓ Mahalanobis Distance < 0.03 が成り立つ値を基準に近い標本と仮定する 右図の緑点が基準に近い標本
17.
正確性の吟味 赤:異常値 緑:基準に近い標本 17
18.
正確性の吟味(相関)18 赤:異常値 緑:基準に近い標本
19.
正確性の吟味 疑問 Y軸の値はあまり重要視されてない..? 推測 X軸の範囲とZ軸の範囲に対して,
Y軸の範囲 が狭い(X: 1.0, Y: 0.6, Z: 2.0) 19
20.
同様の処理をMachineBに 20
21.
データ入力(MachineB, X軸)21
22.
データ入力(MachineB, Y軸)22
23.
データ入力(MachineB, Z軸)23
24.
データ入力(MachineB) 特徴 • X軸は-0.4~0.4と範囲が狭い • X軸のばらつきが大きい •
Z軸は0以上 24
25.
MachineBの相関関係(X-Y)25
26.
MachineBの相関関係(X-Z)26
27.
MachineBの相関関係(Y-Z)27
28.
MachineBの相関関係 特徴 • X-Yグラフは負の相関が強い • Y-Zグラフは正の相関が強い •
X-Zグラフはばらつきが大きい 28
29.
MachineBのマハラノビス距離29
30.
正確性の吟味 閾値を1.12に設定 ↓ Mahalanobis
Distance > 1.12 が成り立つ値を異常値と仮定する 右図の赤点が異常値 30 基準に近い閾値を0.09に設定 ↓ Mahalanobis Distance < 0.09 が成り立つ値を基準に近い標本と仮定する 右図の緑点が基準に近い標本
31.
正確性の吟味31 赤:異常値 緑:基準に近い標本
32.
正確性の吟味(相関)32 赤:異常値 緑:基準に近い標本
33.
正確性の吟味 結果 MachineAよりも正しく判断されている 推測 X,
Y, Zそれぞれに強い相関関係があるから 33
34.
3D plot(MachineA)34
35.
3D plot(MachineA)35
36.
3D plot(MachineA)+Mahalanobis36 外れ値: Mahalanobis
Distance > 0.87 基準に近い標本: Mahalanobis Distance < 0.04
37.
3D plot(MachineA)+Mahalanobis37 外れ値: Mahalanobis
Distance > 0.87 基準に近い標本: Mahalanobis Distance < 0.04
38.
MD>0.87, MD<0.04 のみ描写38 外れ値:
Mahalanobis Distance > 0.87 基準に近い標本: Mahalanobis Distance < 0.04 MD=Mahalanobis Distance
39.
3D plot(MachineB)39
40.
3D plot(MachineB)40
41.
3D plot(MachineB)+Mahalanobis41 外れ値: Mahalanobis
Distance > 1.00 基準に近い標本: Mahalanobis Distance < 0.13
42.
3D plot(MachineB)+Mahalanobis42 外れ値: Mahalanobis
Distance > 1.00 基準に近い標本: Mahalanobis Distance < 0.13
43.
MD>1.00, MD<0.13 のみ描写43 外れ値:
Mahalanobis Distance > 1.00 基準に近い標本: Mahalanobis Distance < 0.13
44.
ダミーを追加する (成功例)44 MachineAにDummyを追加する。 Dummy(-0.72, 0.52,
0.52) → Mahalanobis Distance: 1.06281239 異常値をMahalanobis Distance >1.06に設定 Dummy
45.
ダミーを追加する (失敗例)45 MachineAにDummyを追加する。 Dummy(-0.62, 0.52,
0.52) → Mahalanobis Distance: 0.99120379 異常値をMahalanobis Distance >1.10に設定 Dummy 2つとも実際の正常データ
46.
まとめ 実際のデータをグラフにして特徴を調べた X,
Y, Z軸のデータをマハラノビス距離に変換して正確性を確かめた 実際のデータからマハラノビス距離を視覚化できた ダミーを追加して異常値として検出するかを確かめた 著しく離れたデータの検出は可能だが、正常値を異常値にする場合がある 46
Descargar ahora