[デモのプログラムあり] Local Outlier Factor (LOF) によるデータ密度の推定・外れサンプル(外れ値)の検出・異常検出

シェアする

Local Outlier Factor (LOF) について、パワーポイントの資料とその pdf ファイルを作成しました。LOF は k-nearest neighbor algorithm (k-NN) の発展版のようなもので、データ密度を推定したり、そのデータ密度により外れサンプル (外れ値) を検出したり、装置やプラントなどの異常を検出したりできます。似た手法である kNN, One-Class Support Vector Machine (OCSVM) との比較も資料に載せました。

pdfファイルはこちらから、パワーポイント(pptx)ファイルはこちらからダウンロードできます。

興味のある方はぜひ参考にしていただき、どこかで使いたい方は遠慮なくご利用ください。

また、scikit-learn を用いた LOF のデモンストレーションのプログラムも準備しました。こちらの Github https://github.com/hkaneko1985/dcekit にある demo_lof.py です。ぜひご利用ください。

Local Outlier Factor (LOF) とは?

  • データ密度を推定する手法
  • k 最近傍法 (k-Nearest Neighbor, k-NN) による密度推定と比べて、データ分布における局所的なデータ密度の違いを考慮可能
  • LOF の結果から外れサンプル検出や (装置やプロセスなどの) 異常検出が可能

スライドのタイトル

  • Local Outlier Factor (LOF) とは?
  • 復習) k-NN によるデータ密度の指標
  • k-NN で何が問題か?
  • LOF ではどうするか?
  • あるサンプルの LOF をどう計算するか?
  • あるサンプルの LOF をどう計算するか? 1/4
  • あるサンプルの LOF をどう計算するか? 2/4
  • あるサンプルの LOF をどう計算するか? 3/4
  • あるサンプルの LOF をどう計算するか? 4/4
  • 実行例
  • Python コード例
  • scikit-learn を使うときの注意点
  • k-NN, OCSVM との比較・注意点
  • 参考文献

参考文献

以上です。

質問やコメントなどありましたら、twitter, facebook, メールなどでご連絡いただけるとうれしいです。

シェアする

フォローする