異常検出: クラスの不均衡に対処するために、少数クラスを異常として検出するアプローチです。異常検出手法は、少数クラスの特徴を捉えて分類や識別を行います。
異常検出（Anomaly Detection）は、通常のパターンとは異なる、稀なものや異常なものを検出する手法です。これは、通常は正常であるとされるクラスとは異なる特徴を持つデータを見つけることに焦点を当てています。
クラスの不均衡に対処するために、異常検出を用いる場合、通常のクラスは多数派のクラスであり、異常とみなされるクラスは少数派のクラスとして扱われます。異常検出手法は、通常のデータのパターンを学習し、それと異なるものを検出することで、少数派のクラスを特定します。
異常検出手法には、以下のような手法があります：
-
統計的手法:
- 多くの場合、正常なデータは特定の統計的パターンに従うと仮定されます。統計的手法は、通常のデータの統計的特性をモデル化し、それと異なるデータポイントを異常として検出します。例えば、正規分布、異常値（外れ値）のしきい値、ホテリングのT2法などがあります。
-
機械学習ベースの手法:
- 機械学習ベースの手法は、データから特徴を抽出し、それらの特徴を使用して通常のパターンを学習します。通常のパターンからの逸脱が異常とみなされます。代表的な手法には、サポートベクターマシン（One-class SVM）、決定木、ランダムフォレスト、ニューラルネットワークなどがあります。
-
クラスタリングベースの手法:
- クラスタリング手法は、データをクラスタにグループ化し、異常なクラスタを特定することによって異常を検出します。代表的な手法には、k-meansクラスタリングやDBSCANがあります。
これらの手法は、クラスの不均衡に対処するために異常検出が利用される場合に使用されます。データの特性や目的に応じて、適切な手法を選択する必要があります。