La traducción de esta página está obsoleta. Haga clic aquí para ver la última versión en inglés.
Detección de anomalías
Statistics and Machine Learning Toolbox™ ofrece varias funcionalidades de detección de anomalías para los datos de la muestra multivariante sin etiquetar. Las funcionalidades de detección de anomalías detectan valores atípicos (anomalías en datos de entrenamiento) mediante el entrenamiento de un modelo o el aprendizaje de parámetros. Para la detección de novedades (detección de anomalías en datos nuevos con datos de entrenamiento no contaminados), se entrena un modelo o se aprenden parámetros con datos de entrenamiento no contaminados (datos sin valores atípicos) y se detectan anomalías en datos nuevos usando el modelo entrenado o los parámetros aprendidos. Para obtener más información, consulte Unsupervised Anomaly Detection.
Si tiene datos de entrenamiento etiquetados como puntos normales y anomalías, puede entrenar un modelo de clasificación binario y utilizar las funciones de objeto resubPredict
y predict
para detectar anomalías en los datos de entrenamiento y en los nuevos datos, respectivamente. Para obtener la lista de funcionalidades de clasificación admitidas, consulte Clasificación.
La toolbox también ofrece funcionalidades de detección de anomalías específicas para el modelo que puede aplicar tras entrenar una clasificación, una regresión o un modelo de formación de clusters. Para obtener más detalles, consulte Model-Specific Anomaly Detection.
Funciones
Objetos
IsolationForest | Isolation forest for anomaly detection |
ClassificationSVM | Support vector machine (SVM) for one-class and binary classification |
Temas
- Unsupervised Anomaly Detection
Detect anomalies using isolation forest, one-class support vector machine (OCSVM), and Mahalanobis distance.
- 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.