機械学習を用いた異常判別

近年、多くの産業・ビジネスの場面において、特定の対象や集団を認識することや異常状態を検出することが重要になっています。例えば工業製品の良品・不良品の判定は人力では作業量に限界が生じるためコンピュータによる自動化が求められています。このような問題に対し有効とされる機械学習手法が、種々の判別分析手法や異常検知手法です。 　そこで本セミナーでは代表的な判別分析手法である線形判別分析や非線形な判別ルールに対応できる2次判別分析、さらには複雑なデータの判別を可能にするサポートベクターマシンについて講義します。また、異常検知手法についてはデータの特性 (正規分布、周波数特性、相関) と閾値による異常判別からはじまり、マハラノビスの距離、LOF、one – class SVM、change finderといった分析手法について、その長短所や選択方法も含めて解説します。

1. 判別と異常検知
   1. 教師あり学習、教師なし学習とは?
   2. 手法の複雑さと過学習
   3. 複雑さの選定
      1. 交差検証法
      2. 多重共線性
   4. 判別機の性能評価
      1. 正常/異常標本精度
      2. ROC曲線
2. 異常判別:教師あり学習
   1. 線形判別
   2. 2次判別
   3. Support Vector Machine (SVM)
      1. ハードマージンとソフトマージン
      2. カーネルトリック
3. 異常検知:教師なし学習
   1. 正規分布を用いた異常検知:単変量の場合
   2. 正規分布を用いた異常検知:多変量の場合
      1. マハラノビスの距離
      2. ホテリングのT2法
   3. Local Outlier Factor
   4. One Class SVM
   5. 時系列モデルにおける異常検知
      1. 変化点検知
      2. Change Finder
4. まとめ