WOLFRAM

Wolfram言語 ＆ システムドキュメントセンター

AnomalyDetection[{example1,example2,…}]

与えられた例に基づいてAnomalyDetectorFunction[…]を生成する．

AnomalyDetection[LearnedDistribution[…]]

与えられた分布に基づいて異常検出器を生成する．

AnomalyDetection[True{example11,example12,…},False{example21,…}]

どの例が異常であるとみなされるべきかを示すために使うことができる．

詳細とオプション
Details and Options Details and Options
例題  
例  
スコープ  
オプション  
AcceptanceThreshold  
FeatureExtractor  
FeatureNames  
Show More Show More
FeatureTypes  
Method  
PerformanceGoal  
RandomSeeding  
TargetDevice  
TimeGoal  
TrainingProgressReporting  
ValidationSet  
Weights  
アプリケーション  
関連項目
関連するガイド
関連リンク
履歴
引用書式

AnomalyDetection

AnomalyDetection[{example1,example2,…}]

与えられた例に基づいてAnomalyDetectorFunction[…]を生成する．

AnomalyDetection[LearnedDistribution[…]]

与えられた分布に基づいて異常検出器を生成する．

AnomalyDetection[True{example11,example12,…},False{example21,…}]

どの例が異常であるとみなされるべきかを示すために使うことができる．

詳細とオプション

  • AnomalyDetectionは，異常（「分布ガイ」の例）を検出するために，異常がないデータの分布をモデル化しようとする．
  • 例のRarerProbability値がRarerProbabilityで指定された値より下であるとき，この例は異常であるとみなされる．
  • AnomalyDetectionは，数値，名義，画像等のさまざまなデータ型に使うことができる．
  • 各 exampleiは，単一のデータ要素，データ要素のリスト，あるいはデータ要素の連想でよい．例はDatasetオブジェクトあるいはTabularオブジェクトとして与えることもできる．
  • 異常データは以下の構文を使って指定することもできる．
  • True{e11,e12,…},False{e21,…}異常 (True) データと異常が内データの連想
    {e1,e2,…}{True,False,…}例と異常指定の間の規則
    {e1True,e2False,…}異常指定規則のリスト
    {e1,e2,…}{i,j,…}位置 i, j, …の異常
    {e1,e2,…}None異常な例はない
  • AnomalyDetection[examples]は，新たな例が与えられると異常を検出するAnomalyDetectorFunction[…]を与える．
  • FindAnomalies[AnomalyDetectorFunction[…],data,…]を使って，与えられた検出器によって data 中の異常を求めることができる．
  • 検定データが訓練データと同じ分布からのもののとき，AcceptanceThresholdは異常検出の偽陽性率に相当する．
  • AnomalyDetectionは，どの例が異常であるかあるいは異常ではないかを示して使うことも指定せずに使うこともできる．どの例が異常であるか示すことは異常検出装置の訓練に役立ち，検出装置がAcceptanceThresholdの値を自動的に決定できるようにする．
  • AnomalyDetection[True{example11,example12,…},False{example21,…}]のTrueは対応する例が異常であることを示し，Falseはそうではないことを示す．これらのラベルはAnomalyDetection[{example1,example2,…}{True,False,…}]およびAnomalyDetection[{example1True,example2False,…}]でも指定できる．
  • AnomalyDetection[{example1,example2,…}{i,j,…}]を使って，exampleiや examplej等が異常でありその他は異常ではないとみなすべきであると指定できる．
  • AnomalyDetection[{example1,example2,…}{}]は，例の中に異常なものがないと指定する．
  • 次のオプションを与えることができる：
  • AcceptanceThreshold 0.001例を異常であるとみなすRarerProbability閾値
    FeatureExtractor Identity学習する特徴をどのように抽出するか
    FeatureNames Automatic入力データに割り当てる特徴名
    FeatureTypes Automatic入力データに仮定する特徴タイプ
    Method Automaticどのモデリングアルゴリズムを使用するか
    PerformanceGoal Automatic最適化するパフォーマンスの局面
    RandomSeeding 1234擬似乱数生成器のどのシーディングを内部的に行うか
    TimeGoal Automatic検出器の訓練にどの程度の時間を費やすか
    TrainingProgressReporting Automatic訓練中の進捗状況をどのように報告するか
    ValidationSet Automatic訓練中にモデルの評価に使うデータ集合
    Weights Automaticデータ要素の重み
  • 次は，PerformanceGoalの可能な設定である．
  • "Memory"検出器の必要メモリを最小にする
    "Quality"検出器のモデリング品質を最高にする
    "Speed"新たな異常を検出するスピードを最高にする
    "TrainingSpeed"検出器の生成に要する時間を最小にする
    Automaticスピード，品質，メモリの自動トレードオフ
    {goal1,goal2,…}goal1，goal2等を自動的に結合する
  • Methodの可能な設定はLearnDistribution[…]で与えられるものと同じである．
  • 次は，TrainingProgressReportingの使用可能な設定である．
  • "Panel"動的に更新されるグラフィカルなパネルを表示する
    "Print"Printを使って定期的に情報を報告する
    "ProgressIndicator"単純なProgressIndicatorを表示する
    "SimplePanel"動的に更新される，学習曲線なしのパネル
    None情報は何も報告しない
  • 次は，RandomSeedingの可能な設定である．
  • Automatic関数が呼び出されるたびに自動的にシードを再設定する
    Inherited外部でシードされた乱数を使う
    seed明示的な整数または文字列をシードとして使う
  • AnomalyDetection[…,FeatureExtractor"Minimal"]は，内部的な前処理ができるだけ簡単に行われるべきであることを示す．

例題

すべて開く すべて閉じる

例  (2)

検出器関数を数値データ集合で訓練する：

Wolfram Language code: ad = AnomalyDetection[{1.2, 2.5, 3.2, 4.6, 5.6, 7, 8, 9, 8.3}]

訓練済みの検出器を使って異常とみなされる例を求める：

Wolfram Language code: ad[{5, 6, 11, 100}]

AnomalyDetectorFunctionを色のリストで訓練する：

Wolfram Language code: ad = AnomalyDetection[{RGBColor[0.34423361016735393, 0.9949706023751553, 0.9913428099254031], RGBColor[0.974441953220345, 0.5882988960563109, 1.0068782254084538], RGBColor[0.6919394636833026, 0.9725016422639512, 1.0005784902145627], RGBColor[0.6609415139121996, 0.5317017233919189, 0.9984727629540214], RGBColor[1.030082196239495, 0.15562868152451315, 1.0135215761762417], RGBColor[0.7139636743692107, 0.5910083012886909, 0.9948556194109465], RGBColor[0.6236652587743242, 0.6870661704360941, 1.0022299478695442], RGBColor[0.39687500809516707, 0.5108643112778942, 0.9952467598808223], RGBColor[0.7443884965650738, 0.4349634688965386, 1.0003462995235857], RGBColor[0.6288110830431992, 0.5724921773022011, 1.0022472231639297], RGBColor[0.5632946778321253, 0.7631572865298704, 1.00798403643781], RGBColor[0.6773040387676239, 0.6976386941501098, 1.0022055898686073], RGBColor[0.8457795253477449, 0.7398849813050531, 1.005573228966982], RGBColor[1.0205520113446505, 0.690968271602499, 1.0035737791209818], RGBColor[0.7549242858326427, 0.6235127402960372, 0.9944743070141697], RGBColor[0.6834128429576036, 0.39958492739867546, 1.0026226416576371], RGBColor[0.5501400976778553, 0.7625174064725535, 0.9977464842503022], RGBColor[0.2615551876290124, 0.765008680557518, 0.9942818885148523], RGBColor[0.6189412061989856, 0.6852860381116407, 0.9997035911561294], RGBColor[0.7138254755324788, 0.6853604572170703, 1.0029509153000369], RGBColor[0.4043093843454192, 0.6125541754696873, 0.9999118021859527], RGBColor[0.8205010700454642, 0.7806771392383814, 1.00562852909626], RGBColor[0.812290231487381, 0.5331790321181455, 1.0009593659644767], RGBColor[0.8437915419001423, 0.24940229677216713, 1.006288621546154], RGBColor[0.7195507678442272, 0.8579676385844572, 1.0076774216805127], RGBColor[0.7235256726749637, 0.04660266162004301, 1.002355100767978], RGBColor[0.5049286226975376, 0.5589372943296006, 0.9995003905321003], RGBColor[0.7902098896284458, 0.6116626144639822, 0.9990427737864], RGBColor[0.6442706429715445, 0.9072560478512116, 1.000385767571579], RGBColor[0.567894775541235, 0.5752444998384344, 1.001663707952634], RGBColor[0.7090487279645562, 0.5421179945569079, 1.001712577867206], RGBColor[0.5354836215932339, 0.6106357574940795, 0.993204356795479], RGBColor[0.5030637654134358, 0.4669355559078886, 0.9963828836620333], RGBColor[0.7415981367902569, 0.277727705996566, 0.9989098811714942], RGBColor[0.8203464087906245, 1.0704830725870433, 0.9977753741130557], RGBColor[0.757424602054376, 0.8870888154019599, 1.0026308777744768], RGBColor[1.044681726621579, 0.43148260079970435, 1.0000554098379415], RGBColor[0.7123234424159927, 0.7660133438966698, 0.9939497163541979], RGBColor[0.8613007435666715, 0.6948619856745523, 1.001530354102207], RGBColor[0.41181251755343673, 0.9672315750613055, 0.9944842976740979], RGBColor[0.5453938214145515, 0.5240998539872904, 0.9988752883080638], RGBColor[0.41015258996245973, 0.6605139315627333, 0.9963386834508943], RGBColor[0.6381328222903362, 0.6263605273048086, 0.9986231684853986], RGBColor[0.7175060009642432, 0.4181868220413135, 0.9952981757098316], RGBColor[0.6561208785194351, 0.8052553301188847, 1.0044150292740501], RGBColor[0.6801324193509629, 0.6860611673374102, 1.0063709449623603], RGBColor[0.48439775318648953, 1.0445503544672912, 0.995164617560423], RGBColor[0.7504260932976325, 1.2526284300521322, 0.9974906868890978], RGBColor[0.758986473236708, 0.6980863906805845, 0.9905624502205769], RGBColor[0.68653014676303, 0.3987433510251484, 1.0101914043475726], RGBColor[0.7258934369166311, 0.839312286794006, 1.0017190709090071], RGBColor[0.6767174761974676, 0.5887816929279261, 0.9967239999218663], RGBColor[0.495023238613132, 0.7849304242049479, 1.0003358461174956], RGBColor[0.6211007158802914, 0.7092442266431815, 0.9969717261106543], RGBColor[0.47474787148341835, 0.8183897812391591, 0.9894645947886548], RGBColor[1.1455719220773122, 0.5517697342804933, 1.0097752283765262], RGBColor[0.7345871487081479, 0.6663797125171111, 0.9939592574893115], RGBColor[0.2759607351913042, 0.20891869281293557, 0.9987113275242301], RGBColor[0.5249977054607774, 0.8776246823905124, 0.9998731789999219], RGBColor[0.7234140693542443, 0.6648642463332401, 0.9925799746288244], RGBColor[0.4508787001289919, 0.8402095981476847, 0.9904182728404552], RGBColor[0.7240651441388569, 0.9354306986341794, 1.0003509407564144], RGBColor[0.49381361328171114, 0.8466232420511408, 0.9950118848626659], RGBColor[0.5732848248526256, 0.6045762183258268, 0.9987556290351441], RGBColor[0.4916601726869988, 0.46374455643463786, 1.0041987233871592], RGBColor[0.9058580136974359, 0.6931994481820869, 1.0015707887617427], RGBColor[0.8208441638435511, 0.3148647305027396, 1.000675398083302], RGBColor[0.8480087279269137, 0.48876093804105386, 1.0048303602991822], RGBColor[0.6235206218788477, 0.6964248242748691, 1.0022249395243656], RGBColor[0.5005490046162244, 0.7286296126977386, 0.9979758094120281], RGBColor[0.956882935321649, 0.6333171909243984, 1.0023047047916631], RGBColor[0.82864340742 ... 345947, 1.0050529949272649], RGBColor[0.8627518311306448, 0.0794264949802388, 1.0002723544629901], RGBColor[0.6914563210496609, 0.9597900303860196, 1.0027003789563933], RGBColor[0.47151759679847793, 0.6703810557168081, 0.9936579983346822], RGBColor[0.28644198136082055, 0.8084736876073915, 0.994779633532951], RGBColor[1.247808497378954, 0.20814656783371066, 1.005363642300721], RGBColor[0.8910488167137816, 0.29066194421125463, 1.0071152523979605], RGBColor[0.4108215503422852, 0.6763153894909187, 1.0022850061898758], RGBColor[0.6032059481765558, 0.851239218329519, 1.0032178496930786], RGBColor[0.5624507815658685, 0.5929363506963986, 1.0021290242411665], RGBColor[0.3905583278155051, 0.5915402428465296, 0.9925865664945029], RGBColor[0.2951000915320075, 0.9352243432386041, 0.9955043799002488], RGBColor[0.8891141436712875, 0.6447199381306787, 1.0068159967304242], RGBColor[0.28950245718518364, 0.5700444001184012, 0.999261094342013], RGBColor[0.44758759117758345, 0.5686921520482265, 0.9958695857484522], RGBColor[0.7591965541685731, 0.8568508974291336, 1.0028092759699814], RGBColor[0.6236344925090667, 0.4824053762946353, 1.0002773461009513], RGBColor[0.7408545254024963, 0.4528899451570373, 1.0019655567961037], RGBColor[0.7830147685728901, 0.9200780202949879, 0.9998502105724043], RGBColor[0.37916507157886625, 0.7498847335479669, 0.9923470080089104], RGBColor[0.7872647806451795, 0.38484116213136405, 0.9981402312625489], RGBColor[0.7316779335859452, 0.6261357916619933, 0.9959633386629378], RGBColor[0.564873609889761, 0.5380472260782597, 1.0039101521302316], RGBColor[0.8463209258052469, 0.2960669667189687, 0.9979044114987232], RGBColor[0.6665145129050796, 0.7172754114784181, 0.9955123897280956], RGBColor[0.7763623320333368, 0.5625495927644992, 1.0019204423891395], RGBColor[0.6352480964210127, 0.32527126925838057, 1.0035008637074296], RGBColor[0.9020136283955144, 0.6090213717980114, 1.0009101044133322], RGBColor[0.35179616385345197, 0.8873458187461462, 0.9943398446119561], RGBColor[0.6892481471309895, 0.7744224337307276, 0.9968957963300527], RGBColor[0.881777607028809, 0.28361895706387896, 1.0018137618822816], RGBColor[1.157450430970441, 0.1612042870171504, 1.0073340454635225], RGBColor[0.58833725060706, 0.8449924253878058, 0.9983715783218108], RGBColor[0.6191109730835055, 0.6775103986947937, 0.9949238484663862], RGBColor[0.7686934120958153, 0.7217689419082524, 0.996245549712363], RGBColor[1.0707153454415779, 0.38934552676857115, 1.0061105031044426], RGBColor[0.4257513272330986, 1.0566489722356325, 0.9924773502391904], RGBColor[0.7242224636275749, 0.6570073428675383, 0.9986005675093127], RGBColor[0.7438174356063888, 0.617198235612156, 0.9995822700402942], RGBColor[0.8630763450328225, 0.19018510514491999, 1.0072262681987556], RGBColor[0.5498309264384517, 0.5759523884599071, 0.9984433057481402], RGBColor[0.5580772280281927, 0.7827387076975386, 0.9921445191296031], RGBColor[0.5388185556361564, 0.6315463683002376, 0.9945446192822313], RGBColor[0.9092345217986617, 0.8178777007876094, 1.0082161475701457], RGBColor[0.6798268948534387, 0.9206455250817887, 0.9960592452202999], RGBColor[0.35817470590500133, 1.0319804703876905, 0.9962531895534059], RGBColor[0.4243082504253557, 0.8629909259478613, 0.9893894707275183], RGBColor[0.6893625455483994, 0.7282867546233841, 0.9995391420394324], RGBColor[0.8492549370744441, 0.4293920924003687, 1.001183247096189], RGBColor[0.9228050292581644, 0.5846748916660687, 1.0073887470371234], RGBColor[0.7710987660489688, 0.5139598451199441, 1.0045375564342613], RGBColor[0.26446220648498037, 1.3857675896295196, 0.9847082217180225], RGBColor[0.5977361225294263, 0.6855863458138487, 0.9985978114138284], RGBColor[0.6556661278732271, 0.8158702771438023, 0.993322923260324], RGBColor[0.5515829348142409, 0.6299540702384048, 0.9961627823888869], RGBColor[0.9113690850189474, 0.7229386146592239, 1.009840553585347], RGBColor[0.8105097994612612, 0.365932931712455, 1.0043040292006629], RGBColor[0.6802336267354607, 0.638936773009825, 1.0004422669075017], RGBColor[0.6466466017372586, 0.34063068295261795, 1.001895695310875], RGBColor[0.34202256370318235, 0.26768956801319244, 1.0015339776108454], RGBColor[0.5849023017175482, 0.5707330850816604, 0.9965948391799168], RGBColor[0.5923501432235162, 0.780365029033844, 0.9923633927991188], RGBColor[0.6020893847553299, 0.8955500346685753, 0.9900602565416496], RGBColor[0.4014655775892002, 0.7530375151576032, 1.0023764444423535], RGBColor[0.6948987347321366, 0.3798050222617043, 1.010216846343959], RGBColor[0.7053547826953562, 1.10911275911845, 1.0009824591202139], RGBColor[0.6532425293189801, 0.8514070086152319, 0.9999438607498327], RGBColor[0.7628789845612727, 0.5511297681637599, 0.9928137690353301], RGBColor[0.7779887292228563, 0.5377213936445591, 1.0007558812680644], RGBColor[0.47108617035959904, 1.2887392515479092, 0.9910866448506571], RGBColor[0.6030534147511111, 0.8340466905076884, 0.9881370811088525], RGBColor[0.38958968973612385, 0.9823046094943719, 0.9881878339326584]}]

訓練済みの異常検出器を使って異常値を求めようとする：

Wolfram Language code: ad[{RGBColor[1, 0, 0], RGBColor[0, 0, 1], RGBColor[0, 1, 0], RGBColor[0.6489069067250937, 0.5755756573803703, 1.003672353132791], RGBColor[0.7057443474984795, 0.8378739475634039, 0.994666604840032], RGBColor[0.8514932374154848, 0.6577551436509919, 1.0040492460246024], RGBColor[0.7659083378262406, 0.3515834404371405, 1.0034001669125583], RGBColor[0.6507402669657356, 0.755721701773461, 1.0021331605458152], RGBColor[0.7423441703196316, 0.7817619172473703, 1.0057619503122168], RGBColor[0.6266268813681602, 0.6297653726914617, 0.9997898817416094], RGBColor[0.7569527399301882, 0.6816489606911452, 0.9947672162483416], RGBColor[0.6554483765238713, 0.40057368425245776, 1.004481079970983], RGBColor[0.4768853043963855, 0.5927113842554544, 0.9989095211404951], RGBColor[0.7092377211322144, 0.9854091931950826, 1.0036363899562788], RGBColor[0.6695176003467702, 0.5477660604245632, 0.9988405619087125], RGBColor[0.3929643278490828, 0.6511568040964537, 0.9912589973644573], RGBColor[0.770688916213984, 0.8810088927042221, 1.0054877076630708], RGBColor[0.7649991624963735, 0.44806190154436465, 1.000062718345653], RGBColor[0.6498745893581738, 0.6377533151410597, 0.9942373350867331], RGBColor[0.684671816883397, 0.6450952259271742, 0.9996307705130395], RGBColor[0.8217993634264111, 0.5548900766689218, 1.0027475551791536], RGBColor[0.5011391747697476, 0.9551810292863081, 1.0012714675653138], RGBColor[0.7115065630502229, 0.5749466239018227, 0.9981767404305243], RGBColor[0.5126966915311191, 0.5878379904677047, 1.0042594359046022], RGBColor[0.7046967873331059, 0.5293353682933218, 0.9999334590140067], RGBColor[0.4926331760416396, 0.7530695229780565, 1.0001829034222909], RGBColor[0.8555058768935649, 0.5640049330472888, 1.0069230058887315], RGBColor[0.4910760147881812, 0.5804793980307775, 1.0058540115102932], RGBColor[0.5454883994263123, 0.6650926223195235, 1.0053286971713007], RGBColor[0.8532886060980814, 0.8021650005975375, 0.9953950569168204], RGBColor[0.7070746291172416, 0.7765272968960811, 0.9985966093273773], RGBColor[0.7015106973990245, 0.8211871735201386, 0.9963153787588797], RGBColor[0.44569478954203, 0.7419787584255451, 0.9898981710789684], RGBColor[0.7411728831330745, 0.7847098598680122, 0.9928200648120465], RGBColor[0.6764805255850147, 0.7432648958454903, 1.001277370463186], RGBColor[0.7045562925666643, 0.9483563196436429, 0.9958421147410664], RGBColor[0.8147038799415312, 0.6344891142586896, 1.0038814001490544], RGBColor[0.6813372654360339, 0.8198472586918514, 0.9963925120493498], RGBColor[0.6708813434747505, 0.33411265499158055, 0.9994792518245261], RGBColor[0.5455185452371998, 0.8472373302374782, 0.9952777829391884], RGBColor[0.8368811132992047, 0.9231368436930435, 1.0003466469891626]}]

スコープ  (8)

異常な例にTrue，それ以外にFalseのラベルを付けることでAnomalyDetectorFunctionを訓練する：

Wolfram Language code: ad = AnomalyDetection[<|True -> {-100, 200}, False -> {3.3, 4, 5.2, 6, 7, 8, 9, 10, 12}|> ]

明示的なリスト中の異常値を指定する：

Wolfram Language code: AnomalyDetection[{-100, 200, 3.3, 4, 5.2, 6, 7, 8, 9, 10, 12} -> {True, True, False, False, False, False, False, False, False, False, False} ]

異常値を規則のリストで指定する：

Wolfram Language code: AnomalyDetection[{-100 -> True, 200 -> True, 3.3 -> False, 4 -> False, 5.2 -> False, 6 -> False, 7 -> False, 8 -> False, 9 -> False, 10 -> False, 12 -> False} ]

異常な例の位置だけを指定する：

Wolfram Language code: AnomalyDetection[{-100, 200, 3.3, 4, 5.2, 6, 7, 8, 9, 10, 12} -> {1, 2} ]

異常な例はないと指定してAnomalyDetectorFunctionを訓練する：

Wolfram Language code: ad = AnomalyDetection[{3.3, 4, 5.2, 6, 7, 8, 9, 10, 12} -> None]

訓練されたAnomalyDetectorFunctionを使って異常を見付ける：

Wolfram Language code: ad[{150, 1, 2, 12, -50}]

AnomalyDetectorFunctionを表形式データで訓練する：

Wolfram Language code: ad = AnomalyDetection[Tabular[Association["RawSchema" -> Association["ColumnProperties" -> Association["Value" -> Association["ElementType" -> "NumberExpression"]], "KeyColumns" -> None, "Backend" -> "WolframKernel"], "Options" -> {}, "BackendData" -> Association["ColumnData" -> DataStructure["ColumnTable", {{TabularColumn[Association["Data" -> {{-0.7381498640269486, -0.3288040202205629, -0.5152387024806573, -0.6675243566986415, -0.17429727352303326, 0.4959818162388929, 100}, {}, None}, "ElementType" -> "NumberExpression"]]}}]]]] -> {7}]

新規の表に検出器を適用する：

Wolfram Language code: ad[Tabular[Association["RawSchema" -> Association["ColumnProperties" -> Association["Value" -> Association["ElementType" -> "Integer64"]], "KeyColumns" -> None, "Backend" -> "WolframKernel"], "Options" -> {}, "BackendData" -> Association["ColumnData" -> DataStructure["ColumnTable", {{TabularColumn[Association["Data" -> {{0, 1, 1000}, {}, None}, "ElementType" -> "Integer64"]]}}]]]]]

擬似実数乱数の二次元配列でAnomalyDetectorFunctionを訓練する：

Wolfram Language code: ad = AnomalyDetection[RandomReal[1, {20, 2}]]

訓練済みのAnomalyDetectorFunctionを使って，FindAnomaliesで新たな例の中の異常を求める：

Wolfram Language code: FindAnomalies[ad, {{5, 0.6}, {0.3, 0.5}, {0.1, 0.2}}]

訓練済みのAnomalyDetectorFunctionを使って異常値とそれに対応する位置を求める：

Wolfram Language code: FindAnomalies[ad, {{0.8, 0.7}, {5, 0.6}, {0.3, 0.5}, {0.1, 0.2}}, {"Anomalies", "AnomalyPositions"}]

LearnedDistributionを色で訓練する：

Wolfram Language code: ld = LearnDistribution[{RGBColor[0.34423361016735393, 0.9949706023751553, 0.9913428099254031], RGBColor[0.974441953220345, 0.5882988960563109, 1.0068782254084538], RGBColor[0.6919394636833026, 0.9725016422639512, 1.0005784902145627], RGBColor[0.6609415139121996, 0.5317017233919189, 0.9984727629540214], RGBColor[1.030082196239495, 0.15562868152451315, 1.0135215761762417], RGBColor[0.7139636743692107, 0.5910083012886909, 0.9948556194109465], RGBColor[0.6236652587743242, 0.6870661704360941, 1.0022299478695442], RGBColor[0.39687500809516707, 0.5108643112778942, 0.9952467598808223], RGBColor[0.7443884965650738, 0.4349634688965386, 1.0003462995235857], RGBColor[0.6288110830431992, 0.5724921773022011, 1.0022472231639297], RGBColor[0.5632946778321253, 0.7631572865298704, 1.00798403643781], RGBColor[0.6773040387676239, 0.6976386941501098, 1.0022055898686073], RGBColor[0.8457795253477449, 0.7398849813050531, 1.005573228966982], RGBColor[1.0205520113446505, 0.690968271602499, 1.0035737791209818], RGBColor[0.7549242858326427, 0.6235127402960372, 0.9944743070141697], RGBColor[0.6834128429576036, 0.39958492739867546, 1.0026226416576371], RGBColor[0.5501400976778553, 0.7625174064725535, 0.9977464842503022], RGBColor[0.2615551876290124, 0.765008680557518, 0.9942818885148523], RGBColor[0.6189412061989856, 0.6852860381116407, 0.9997035911561294], RGBColor[0.7138254755324788, 0.6853604572170703, 1.0029509153000369], RGBColor[0.4043093843454192, 0.6125541754696873, 0.9999118021859527], RGBColor[0.8205010700454642, 0.7806771392383814, 1.00562852909626], RGBColor[0.812290231487381, 0.5331790321181455, 1.0009593659644767], RGBColor[0.8437915419001423, 0.24940229677216713, 1.006288621546154], RGBColor[0.7195507678442272, 0.8579676385844572, 1.0076774216805127], RGBColor[0.7235256726749637, 0.04660266162004301, 1.002355100767978], RGBColor[0.5049286226975376, 0.5589372943296006, 0.9995003905321003], RGBColor[0.7902098896284458, 0.6116626144639822, 0.9990427737864], RGBColor[0.6442706429715445, 0.9072560478512116, 1.000385767571579], RGBColor[0.567894775541235, 0.5752444998384344, 1.001663707952634], RGBColor[0.7090487279645562, 0.5421179945569079, 1.001712577867206], RGBColor[0.5354836215932339, 0.6106357574940795, 0.993204356795479], RGBColor[0.5030637654134358, 0.4669355559078886, 0.9963828836620333], RGBColor[0.7415981367902569, 0.277727705996566, 0.9989098811714942], RGBColor[0.8203464087906245, 1.0704830725870433, 0.9977753741130557], RGBColor[0.757424602054376, 0.8870888154019599, 1.0026308777744768], RGBColor[1.044681726621579, 0.43148260079970435, 1.0000554098379415], RGBColor[0.7123234424159927, 0.7660133438966698, 0.9939497163541979], RGBColor[0.8613007435666715, 0.6948619856745523, 1.001530354102207], RGBColor[0.41181251755343673, 0.9672315750613055, 0.9944842976740979], RGBColor[0.5453938214145515, 0.5240998539872904, 0.9988752883080638], RGBColor[0.41015258996245973, 0.6605139315627333, 0.9963386834508943], RGBColor[0.6381328222903362, 0.6263605273048086, 0.9986231684853986], RGBColor[0.7175060009642432, 0.4181868220413135, 0.9952981757098316], RGBColor[0.6561208785194351, 0.8052553301188847, 1.0044150292740501], RGBColor[0.6801324193509629, 0.6860611673374102, 1.0063709449623603], RGBColor[0.48439775318648953, 1.0445503544672912, 0.995164617560423], RGBColor[0.7504260932976325, 1.2526284300521322, 0.9974906868890978], RGBColor[0.758986473236708, 0.6980863906805845, 0.9905624502205769], RGBColor[0.68653014676303, 0.3987433510251484, 1.0101914043475726], RGBColor[0.7258934369166311, 0.839312286794006, 1.0017190709090071], RGBColor[0.6767174761974676, 0.5887816929279261, 0.9967239999218663], RGBColor[0.495023238613132, 0.7849304242049479, 1.0003358461174956], RGBColor[0.6211007158802914, 0.7092442266431815, 0.9969717261106543], RGBColor[0.47474787148341835, 0.8183897812391591, 0.9894645947886548], RGBColor[1.1455719220773122, 0.5517697342804933, 1.0097752283765262], RGBColor[0.7345871487081479, 0.6663797125171111, 0.9939592574893115], RGBColor[0.2759607351913042, 0.20891869281293557, 0.9987113275242301], RGBColor[0.5249977054607774, 0.8776246823905124, 0.9998731789999219], RGBColor[0.7234140693542443, 0.6648642463332401, 0.9925799746288244], RGBColor[0.4508787001289919, 0.8402095981476847, 0.9904182728404552], RGBColor[0.7240651441388569, 0.9354306986341794, 1.0003509407564144], RGBColor[0.49381361328171114, 0.8466232420511408, 0.9950118848626659], RGBColor[0.5732848248526256, 0.6045762183258268, 0.9987556290351441], RGBColor[0.4916601726869988, 0.46374455643463786, 1.0041987233871592], RGBColor[0.9058580136974359, 0.6931994481820869, 1.0015707887617427], RGBColor[0.8208441638435511, 0.3148647305027396, 1.000675398083302], RGBColor[0.8480087279269137, 0.48876093804105386, 1.0048303602991822], RGBColor[0.6235206218788477, 0.6964248242748691, 1.0022249395243656], RGBColor[0.5005490046162244, 0.7286296126977386, 0.9979758094120281], RGBColor[0.956882935321649, 0.6333171909243984, 1.0023047047916631], RGBColor[0.8286434074 ... 345947, 1.0050529949272649], RGBColor[0.8627518311306448, 0.0794264949802388, 1.0002723544629901], RGBColor[0.6914563210496609, 0.9597900303860196, 1.0027003789563933], RGBColor[0.47151759679847793, 0.6703810557168081, 0.9936579983346822], RGBColor[0.28644198136082055, 0.8084736876073915, 0.994779633532951], RGBColor[1.247808497378954, 0.20814656783371066, 1.005363642300721], RGBColor[0.8910488167137816, 0.29066194421125463, 1.0071152523979605], RGBColor[0.4108215503422852, 0.6763153894909187, 1.0022850061898758], RGBColor[0.6032059481765558, 0.851239218329519, 1.0032178496930786], RGBColor[0.5624507815658685, 0.5929363506963986, 1.0021290242411665], RGBColor[0.3905583278155051, 0.5915402428465296, 0.9925865664945029], RGBColor[0.2951000915320075, 0.9352243432386041, 0.9955043799002488], RGBColor[0.8891141436712875, 0.6447199381306787, 1.0068159967304242], RGBColor[0.28950245718518364, 0.5700444001184012, 0.999261094342013], RGBColor[0.44758759117758345, 0.5686921520482265, 0.9958695857484522], RGBColor[0.7591965541685731, 0.8568508974291336, 1.0028092759699814], RGBColor[0.6236344925090667, 0.4824053762946353, 1.0002773461009513], RGBColor[0.7408545254024963, 0.4528899451570373, 1.0019655567961037], RGBColor[0.7830147685728901, 0.9200780202949879, 0.9998502105724043], RGBColor[0.37916507157886625, 0.7498847335479669, 0.9923470080089104], RGBColor[0.7872647806451795, 0.38484116213136405, 0.9981402312625489], RGBColor[0.7316779335859452, 0.6261357916619933, 0.9959633386629378], RGBColor[0.564873609889761, 0.5380472260782597, 1.0039101521302316], RGBColor[0.8463209258052469, 0.2960669667189687, 0.9979044114987232], RGBColor[0.6665145129050796, 0.7172754114784181, 0.9955123897280956], RGBColor[0.7763623320333368, 0.5625495927644992, 1.0019204423891395], RGBColor[0.6352480964210127, 0.32527126925838057, 1.0035008637074296], RGBColor[0.9020136283955144, 0.6090213717980114, 1.0009101044133322], RGBColor[0.35179616385345197, 0.8873458187461462, 0.9943398446119561], RGBColor[0.6892481471309895, 0.7744224337307276, 0.9968957963300527], RGBColor[0.881777607028809, 0.28361895706387896, 1.0018137618822816], RGBColor[1.157450430970441, 0.1612042870171504, 1.0073340454635225], RGBColor[0.58833725060706, 0.8449924253878058, 0.9983715783218108], RGBColor[0.6191109730835055, 0.6775103986947937, 0.9949238484663862], RGBColor[0.7686934120958153, 0.7217689419082524, 0.996245549712363], RGBColor[1.0707153454415779, 0.38934552676857115, 1.0061105031044426], RGBColor[0.4257513272330986, 1.0566489722356325, 0.9924773502391904], RGBColor[0.7242224636275749, 0.6570073428675383, 0.9986005675093127], RGBColor[0.7438174356063888, 0.617198235612156, 0.9995822700402942], RGBColor[0.8630763450328225, 0.19018510514491999, 1.0072262681987556], RGBColor[0.5498309264384517, 0.5759523884599071, 0.9984433057481402], RGBColor[0.5580772280281927, 0.7827387076975386, 0.9921445191296031], RGBColor[0.5388185556361564, 0.6315463683002376, 0.9945446192822313], RGBColor[0.9092345217986617, 0.8178777007876094, 1.0082161475701457], RGBColor[0.6798268948534387, 0.9206455250817887, 0.9960592452202999], RGBColor[0.35817470590500133, 1.0319804703876905, 0.9962531895534059], RGBColor[0.4243082504253557, 0.8629909259478613, 0.9893894707275183], RGBColor[0.6893625455483994, 0.7282867546233841, 0.9995391420394324], RGBColor[0.8492549370744441, 0.4293920924003687, 1.001183247096189], RGBColor[0.9228050292581644, 0.5846748916660687, 1.0073887470371234], RGBColor[0.7710987660489688, 0.5139598451199441, 1.0045375564342613], RGBColor[0.26446220648498037, 1.3857675896295196, 0.9847082217180225], RGBColor[0.5977361225294263, 0.6855863458138487, 0.9985978114138284], RGBColor[0.6556661278732271, 0.8158702771438023, 0.993322923260324], RGBColor[0.5515829348142409, 0.6299540702384048, 0.9961627823888869], RGBColor[0.9113690850189474, 0.7229386146592239, 1.009840553585347], RGBColor[0.8105097994612612, 0.365932931712455, 1.0043040292006629], RGBColor[0.6802336267354607, 0.638936773009825, 1.0004422669075017], RGBColor[0.6466466017372586, 0.34063068295261795, 1.001895695310875], RGBColor[0.34202256370318235, 0.26768956801319244, 1.0015339776108454], RGBColor[0.5849023017175482, 0.5707330850816604, 0.9965948391799168], RGBColor[0.5923501432235162, 0.780365029033844, 0.9923633927991188], RGBColor[0.6020893847553299, 0.8955500346685753, 0.9900602565416496], RGBColor[0.4014655775892002, 0.7530375151576032, 1.0023764444423535], RGBColor[0.6948987347321366, 0.3798050222617043, 1.010216846343959], RGBColor[0.7053547826953562, 1.10911275911845, 1.0009824591202139], RGBColor[0.6532425293189801, 0.8514070086152319, 0.9999438607498327], RGBColor[0.7628789845612727, 0.5511297681637599, 0.9928137690353301], RGBColor[0.7779887292228563, 0.5377213936445591, 1.0007558812680644], RGBColor[0.47108617035959904, 1.2887392515479092, 0.9910866448506571], RGBColor[0.6030534147511111, 0.8340466905076884, 0.9881370811088525], RGBColor[0.38958968973612385, 0.9823046094943719, 0.9881878339326584]}]

訓練された分布に基づいてAnomalyDetectorFunctionを生成する：

Wolfram Language code: ad = AnomalyDetection[ld]

検出器関数を使って分布から外れた色を求める：

Wolfram Language code: ad[{RGBColor[1, 0, 0], RGBColor[0, 1, 0], RGBColor[0.5977361225294263, 0.6855863458138487, 0.9985978114138284], RGBColor[0.6556661278732271, 0.8158702771438023, 0.993322923260324]}]

オプション  (12)

AcceptanceThreshold  (1)

異常値を含むランダムな3Dベクトルを作成し，可視化する：

Wolfram Language code: ntrain = RandomReal[1, {1000, 3}]; atrain = RandomReal[{-2, -0.5}, {5, 3}]; train = Join[ntrain, atrain];
Wolfram Language code: ListPointPlot3D[{ntrain, atrain}, ...]

訓練集合で異常検出器関数を訓練する：

Wolfram Language code: ad = AnomalyDetection[train]

異常検出器関数を使って検定集合中の異常な例を求め，可視化する：

Wolfram Language code: ntest = RandomReal[1, {1000, 3}]; atest = RandomReal[{-2, -0.5}, {5, 3}]; test = Join[ntest, atest];
Wolfram Language code: ListPointPlot3D[{ntest, FindAnomalies[ad, test]}, Sequence[...]]

AcceptanceThresholdを指定して異常検出の偽陽性率を変える：

Wolfram Language code: ListPointPlot3D[{ntest, FindAnomalies[ad, test, AcceptanceThreshold -> 0.2]}, Sequence[...]]

FeatureExtractor  (1)

ネコの画像について，画像特徴FeatureExtractorを用いて異常検出器を訓練する：

Wolfram Language code: SeedRandom[1234]; cats = RandomSample[Keys@Select[ ResourceData["CIFAR-10", "TrainingData"], MatchQ[_ -> "cat"]], 500]; ad = AnomalyDetection[cats, FeatureExtractor -> "ImageFeatures"]

ネコと飛行機の画像に対して異常検出器を使用する：

Wolfram Language code: ad[{[image], [image], [image], [image]}]

これは，自前のFeatureExtractorFunctionを手動で訓練し，それを前処理器として使用することと等価である：

Wolfram Language code: fe = FeatureExtraction[cats, "ImageFeatures"]; AnomalyDetection[cats, FeatureExtractor -> fe]@{[image], [image], [image], [image]}

FeatureNames  (1)

異常検出器を訓練し，各列に名前を付ける：

Wolfram Language code: ad = AnomalyDetection[{{0., "a"}, {2., "b"}, {10., "b"}, {0., "a"}, {7., "a"}, {0., "a"}}, FeatureNames -> {"number", "letter"}, PerformanceGoal -> "Quality"]

同じキーを持つ連想に対して訓練済み関数を使用する：

Wolfram Language code: ad[{<|"number" -> 1, "letter" -> "a"|>, <|"number" -> -5, "letter" -> "a"|>, <|"number" -> 5, "letter" -> "zz"|>}]

FeatureTypes  (1)

整数を数値ではなくカテゴリとして扱って，これに対して異常検出器を訓練する：

Wolfram Language code: ad = AnomalyDetection[RandomInteger[3, 20], FeatureTypes -> {"Nominal"}]

機械数は異常として認識されるようになった：

Wolfram Language code: ad[{1, 1.1, 2}]

Method  (1)

画像の訓練データ集合と検定データ集合を得る：

Wolfram Language code: train = RandomSample[ResourceData["CIFAR-10", "TrainingData"][[All, 1]], 10000]; test = RandomSample[ResourceData["CIFAR-10", "TestData"][[All, 1]], 100]; RandomSample[train, 10]

検定集合に「分布から外れる」例を加える：

Wolfram Language code: anomalies = {RandomImage[1, {32, 32}, ColorSpace -> "RGB"], RandomImage[1, {32, 32}]} antest = Join[anomalies, test];

"Multinormal"メソッドを使って異常検出器を訓練する：

Wolfram Language code: ad = AnomalyDetection[train, Method -> "Multinormal"]

検定集合中の異常な例を求める：

Wolfram Language code: FindAnomalies[ad, antest]

"KernelDensityEstimation"メソッドを使って異常検出器を訓練し，異常値を求めようとする：

Wolfram Language code: ad = AnomalyDetection[train, Method -> "KernelDensityEstimation"] FindAnomalies[ad, antest]

PerformanceGoal  (1)

数値属性を使用してフィッシャーのアヤメに関するデータ集合をロードする：

Wolfram Language code: data = ResourceData["Sample Data: Fisher's Irises"][[All, {"PetalLength", "SepalWidth", "SepalLength"}]];

PerformanceGoalを指定して異常検出器関数を訓練する：

Wolfram Language code: ad = AnomalyDetection[data, PerformanceGoal -> "Quality", TrainingProgressReporting -> None]
Wolfram Language code: adsp = AnomalyDetection[data, PerformanceGoal -> "Speed", TrainingProgressReporting -> None]

パフォーマンス目標を変えて異常検出器関数の訓練時間を比較する：

Wolfram Language code: Information[#, "TrainingTime"]& /@ {ad, adsp}

RandomSeeding  (1)

再現可能な結果を得るために，訓練中に使用される乱数シードを指定する：

Wolfram Language code: an = AnomalyDetection[{1.2, 2.5, 3.2, 4.6, 5.6, 7, 8, 9, 8.3}, RandomSeeding -> 1234]

訓練した異常検出器を値の範囲に対してテストする：

Wolfram Language code: testVals = Table[i, {i, -5, 0, 0.25}]; an[testVals]

同じ RandomSeeding を用いて新しい検出器を訓練した後に，同じ結果が得られることを確認する：

Wolfram Language code: % === AnomalyDetection[{1.2, 2.5, 3.2, 4.6, 5.6, 7, 8, 9, 8.3}, RandomSeeding -> 1234]@testVals

TargetDevice  (1)

GPUを用いて異常検出器を訓練する：

Wolfram Language code: AnomalyDetection[RandomReal[10, 10 ^ 5], TargetDevice -> "GPU", Method -> "KernelDensityEstimation"]

TimeGoal  (1)

画像のデータ集合を取得し，時間の目標を設定して異常検出器関数を訓練する：

Wolfram Language code: data = RandomSample[ResourceData["CIFAR-10", "TrainingData"][[All, 1]], 1000]; ad = AnomalyDetection[data, TimeGoal -> 10]

異常検出の訓練時間を得る：

Wolfram Language code: Information[ad, "TrainingTime"]

TrainingProgressReporting  (1)

画像のデータ集合を取得する：

Wolfram Language code: data = RandomSample[ResourceData["CIFAR-10", "TrainingData"][[All, 1]], 5000]; RandomSample[data, 10]

訓練の進捗状況をプロットはせずにインタラクティブに表示する：

Wolfram Language code: AnomalyDetection[data, TrainingProgressReporting -> "SimplePanel"];
Wolfram Language code: [image]

訓練中に進捗状況を定期的に出力する：

Wolfram Language code: AnomalyDetection[data, TrainingProgressReporting -> "Print"]

簡単な進捗インジケータを表示する：

Wolfram Language code: AnomalyDetection[data, TrainingProgressReporting -> "ProgressIndicator"]

ValidationSet  (1)

訓練中に異常検出器の検証対象とする検証データ集合を指定する：

Wolfram Language code: train = Keys@ExampleData[{"MachineLearning", "FisherIris"}, "TrainingData"]; test = Keys@ExampleData[{"MachineLearning", "FisherIris"}, "TestData"]; an = AnomalyDetection[train, ValidationSet -> test]

ValidationSetは，異常の検出に使用される訓練済み分布に影響する：

Wolfram Language code: Information[an, "MethodOption"]
Wolfram Language code: Information[AnomalyDetection[train], "MethodOption"]

Weights  (1)

訓練済み検出器が特定の値に対してより敏感になるように，例の重みを指定する：

Wolfram Language code: AnomalyDetection[{1.2, 2.5, 3.2, 4.6, 5.6, 7, 8, 9, 8.3}, Weights -> {1, 1, 2, 3, 3, 2, 1, 1, 1}]

アプリケーション  (3)

フィッシャーのアヤメのデータ集合を入手する：

Wolfram Language code: data = ResourceData["Sample Tabular Data: Fisher Iris"]

分布外の例がないことを仮定して異常検出器を訓練する：

Wolfram Language code: detector = AnomalyDetection[data -> None]

この検出器を，新たな，ラベルがついていない，部分的な測定値に使用する：

Wolfram Language code: detector[<|"SepalLength" -> Quantity[18.2, "Centimeters"], "SepalWidth" -> Quantity[4.5, "Centimeters"]|>]

画像の訓練データ集合と検定データ集合を得る：

Wolfram Language code: train = RandomSample[ResourceData["MNIST", "TrainingData"][[All, 1]], 30000]; test = RandomSample[ResourceData["MNIST", "TestData"][[All, 1]], 40];
Wolfram Language code: RandomSample[train, 10]

検定集合に異常な例を加える：

Wolfram Language code: antest = Join[{[image], [image]}, test]

訓練集合で異常検出器を訓練する：

Wolfram Language code: ad = AnomalyDetection[train, Method -> "Multinormal"]

検定集合中の異常な例を求める：

Wolfram Language code: FindAnomalies[ad, antest]

訓練のランダムなサンプルを入手して画像のデータ集合をテストする：

Wolfram Language code: SeedRandom[123]; cifarsample = RandomSample[ResourceData["CIFAR-10"], 1000][[All, 1]]; {test, train} = TakeDrop[cifarsample, 100]; RandomSample[train, 10]

異常な例を加えてデータ集合を破損する：

Wolfram Language code: traincorup = Flatten[Join[Table[RandomImage[1, {12, 12}], 4], train ], 1]; testcorup = Flatten[Join[Table[RandomImage[1, {12, 12}], 4], test], 1]

訓練集合中の基地の異常の位置を指定することで「教師あり」異常検出器を訓練する：

Wolfram Language code: ad = AnomalyDetection[traincorup -> {1, 2, 3, 4}, PerformanceGoal -> "Quality"]

訓練された異常検出器を検定集合に使う：

Wolfram Language code: ad[testcorup]
Wolfram Research (2019), AnomalyDetection, Wolfram言語関数， https://reference.wolfram.com/language/ref/AnomalyDetection.html （2025年に更新）.

テキスト

Wolfram Research (2019), AnomalyDetection, Wolfram言語関数， https://reference.wolfram.com/language/ref/AnomalyDetection.html （2025年に更新）.

CMS

Wolfram Language. 2019. "AnomalyDetection." Wolfram Language & System Documentation Center. Wolfram Research. Last Modified 2025. https://reference.wolfram.com/language/ref/AnomalyDetection.html.

APA

Wolfram Language. (2019). AnomalyDetection. Wolfram Language & System Documentation Center. Retrieved from https://reference.wolfram.com/language/ref/AnomalyDetection.html

BibTeX

@misc{reference.wolfram_2026_anomalydetection, author="Wolfram Research", title="{AnomalyDetection}", year="2025", howpublished="\url{https://reference.wolfram.com/language/ref/AnomalyDetection.html}", note=[Accessed: 09-September-2026]}

BibLaTeX

@online{reference.wolfram_2026_anomalydetection, organization={Wolfram Research}, title={AnomalyDetection}, year={2025}, url={https://reference.wolfram.com/language/ref/AnomalyDetection.html}, note=[Accessed: 09-September-2026]}