はじめに 本連載について こんにちは,(株)日立製作所 Lumada Data Science Lab. の露木です。 化学プラントや工場設備,あるいはもっと身近なモーターや冷蔵庫などの故障予兆検知を行う際に,振動や音,温度,圧力,電圧,消費電力のような値を取得できる複数のセンサーで測定した多次元の時系列数値データを分析することがあります。このような故障予兆検知は,機械学習の分野では異常検知問題として解くことができます。 そこで本連載では時系列数値データの異常検知を最終目標とし,数回の記事に分けてアルゴリズムの基礎的な説明と実装を示していきます。初回の本稿では,後に説明する異常検知アルゴリズムの出発点となるマハラノビス距離について取り上げます。 第1回. scipyを使って特徴量の相関を考慮したマハラノビス距離を計算する (本稿) 第2回. ホテリングの$T^2$法による多変量正規分布を仮
![scipyを使って特徴量の相関を考慮したマハラノビス距離を計算する - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/c72e0562186dbd1496414de16ebac9b5f2ea609d/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-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%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBNYXNhZnVtaVRzdXl1a2kmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPTEwZTkwZDY3NzVmYWU5YmFlMmNiMjUwOWViZGEwYjQx%26blend-x%3D142%26blend-y%3D436%26blend-mode%3Dnormal%26txt64%3DaW4g5qCq5byP5Lya56S-5pel56uL6KO95L2c5omA44CATHVtYWRhIERhdGEgU2NpZW5jZSBMYWIu%26txt-width%3D770%26txt-clip%3Dend%252Cellipsis%26txt-color%3D%2523212121%26txt-font%3DHiragino%2520Sans%2520W6%26txt-size%3D36%26txt-x%3D156%26txt-y%3D536%26s%3Dda9ed9909bf84c615a361d83709881ae)