Pythonではじめる教師なし学習 ―機械学習の可能性を広げるラベルなしデータの利用

108

4

章 異常検出

図 4-12　スパースランダム射影による27成分を用いた場合の結果

ガウス型ランダム射影の結果はいまひとつだった。別の次元削減手法を用いた異常検出を見てみよ

う。

4.7

 非線形異常検出

ここまでは、通常の

PCA

、スパース

PCA

、ガウス型ランダム射影、スパースランダム射影といった

線形の次元削減手法を用いた次元削減システムを構築してきた。非線形版の

PCA

であるカーネル

PCA

を用いたシステムも作った。

これまでの範囲では、

PCA

を用いたものが他のものよりもずっと良かった。

ここで非線形次元削減アルゴリズムに行きたいところだが、オープンソース版のこれらのアルゴリズ

ムは遅すぎるため、高速な不正検出システムを実装するには適さない。非線形次元削減はスキップし

て、距離に基づかない次元削減手法に進もう。辞書学習と独立成分分析（

ICA

）を 取 り 上 げ る 。

4.8

 辞書学習による異常検出

辞書学習を用いて不正検出システムを構築してみよう。辞書学習は元データのスパースな表現を学

習することを思い出そう。元データの個々の観測点は、学習した辞書のベクトルの重み付き和として再

構成できる。

異常検出に用いるので、元の次元数よりも辞書のベクトル数が少なくなるように、未完備な辞書を

学習する。このような制約を与えることで、頻繁に発生する正常なトランザクションは再構成されやす

く、よりまれな不正トランザクションは再構成されにくくなる。

ここでは、

28

ベクトル（もしくは成分）を生成する。辞書の学習には、

200 ...