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

4.11

 まとめ

115

図4-21に、テストセットに対する辞書学習の散布図を示す。図4-22に、テストセットに対する辞書

学習の結果を示す。

図4-21　テストセットで辞書学習による 28 成分を用いた場合の観測値の分離

図4-22　テストセットで辞書学習による28 成分を用いた場合の結果

結果はそれほどひどいものではない。不正の

80%

を

20%

の適合率で捉えることができている。しか

し、通常の

PCA

や

ICA

の場合と比べると大きく劣る。

4.11

 まとめ

本章では、前章で学んだ主要な次元削減アルゴリズムを用いて、「2 章　機械学習プロジェクトのは

じめから終わりまで」で用いたクレジットカード不正データセットに対する不正検出システムを開発し

た。

2

章では、ラベルを用いて不正検出システムを構築したが、本章では学習時にはラベルは用いなかっ

116

4

章 異常検出

た。つまり教師なし学習を用いて不正検出システムを構築した。

すべての次元削減アルゴリズムがこのクレジットカード不正データセットに対してうまく機能したわ

けではないが、通常の

PCA

と

ICA

の

2

つは特にうまく機能した。

通常の

PCA

と

ICA

では、既知の不正の

80%

を、

80%

の適合率で捉えることができた。比較対象と

なる

2

章で構築した教師あり学習ベースの不正検出システ ...