Ẹ̀rọ Ìṣirò Àlọ́ Mahalanobis

Nípa ẹ̀rọ ìṣirò yìí

Ọ̀nà-jíjìn Mahalanobis ń díwọ̀n bí ojú kan ti jìnnà tó sí àpapọ̀ ìpínkiri kan, ṣùgbọ́n láìdàbí ọ̀nà-jíjìn Euclidean déédé, ó ń ṣe àkíyèsí ìbáṣepọ̀ àti ìtànkálẹ̀ láàrin àwọn oníyípadà nípa pípín nípasẹ̀ covariance matrix ìpínkiri náà: D² = (x − μ)ᵀ Σ⁻¹ (x − μ). Ojú tí ó jìnnà ní ìlà tí dátà ti yàtọ̀ púpọ̀ ni a kà sí èyí tí kò ṣàjèjì tó ọ̀nà-jíjìn kan náà ní ìlà tí dátà ti fẹ́rẹ̀ẹ́ má yàtọ̀.

Èyí mú kí ó jẹ́ irinṣẹ́ déédé nínú ṣíṣàwárí outlier àti ìṣàjèjì onírúurú oníyípadà, ìtúpalẹ̀ ẹgbẹ́, ìṣàkóso dídára, àti ìpínsísọ̀rí — fún àpẹẹrẹ ṣíṣàmì àwọn ìṣòwò ẹ̀tàn, ṣíṣàwárí kíkà sensor tí ó ní àṣìṣe, tàbí wíwọn bí ìṣàkíyèsí tuntun ṣe wọ́pọ̀ tó ní ìfiwéra pẹ̀lú dátà ìkẹ́kọ̀ọ́ nínú àwọn ọ̀nà machine learning.

Ẹ̀rọ ìṣirò yìí ń gba ojú oníyípadà méjì, àpapọ̀ ìpínkiri náà, àti covariance matrix 2×2 rẹ̀, lẹ́yìn náà ó ń ṣírò ọ̀nà-jíjìn Mahalanobis taara. Àwọn oníṣirò, àwọn onímọ̀ dátà, àti àwọn akẹ́kọ̀ọ́ tí ń kọ́ ìṣirò onírúurú oníyípadà ń lò ó láti jẹ́rìí ìṣirò ọwọ́ tàbí láti ṣàyẹ̀wò àbájáde láti sọ́fíwẹ́ẹ̀ ìṣirò.