マンハッタン距離、ユークリッド距離、ミンコフスキー距離の微妙な違いを正しく捉えることはとても重要です。適切に使い分けることで、さまざまなデータセットで外れ値検出器の性能を最適化できます。
数式からわかるように、パラメータ p を変えると、ユークリッド距離、マンハッタン距離、そして他のミンコフスキー距離の次数を切り替えられます。
p
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
この章では、ヒストグラム、散布図、箱ひげ図、z スコア、修正 z スコアを用いて、1 次元データにおける外れ値を検出する手法を学びます。
この章では、Isolation Forest アルゴリズムの仕組みを基礎から応用まで学びます。Isolation Tree の構築方法、PyOD の IForest の主要パラメータとそのチューニング方法、そして外れ値の確率スコアを用いて IForest の出力をどのように解釈するかを探ります。
ツリーベースの外れ値分類器に続いて、距離・密度ベースの検知手法のクラスを学びます。この分野で高い効果が実証されている KNN と Local Outlier Factor の分類器の使い方を身につけます。
現在の演習
この章では、時系列データセットに対して異常検知を行い、外れ値アンサンブルを活用して予測をより安定で信頼できるものにする方法を学びます。