Detección de anomalías

Statistics and Machine Learning Toolbox™ ofrece varias funcionalidades de detección de anomalías para los datos de la muestra multivariante sin etiquetar. También puede detectar anomalías en los datos de transmisión utilizando algoritmos de máquina de vectores de soporte (SVM) de una clase y de bosque robusto de corte aleatorio (consulte Incremental Anomaly Detection Overview). 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.