পরবর্তী আপপরবর্তী গাইড
ওয়ান-ভি-রেস্ট এবং ওয়ান-ভি-ওয়ান কৌশল
টেকনিক্যাল
প্রযুক্তিগত গাইড
ওয়ান-ক্লাস এসভিএম একটি রেফারেন্স নমুনার চারপাশে একটি সীমানা শিখে, যার লক্ষ্য বাকি বৈশিষ্ট্য স্থান থেকে বেশিরভাগ প্রশিক্ষণ পর্যবেক্ষণ ধারণকারী অঞ্চলগুলিকে আলাদা করা।
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~3 min
এটি অভিনবত্ব সনাক্তকরণকে সমর্থন করে যখন অসঙ্গতিগুলি দুষ্প্রাপ্য বা লেবেলবিহীন, তবে কার্নেল পছন্দ, বৈশিষ্ট্য স্কেলিং এবং নু সীমানা নির্ধারণ করে এবং বৈধতার প্রয়োজন হয়।
ওয়ান-ক্লাস এসভিএম অভিনবত্ব সনাক্তকরণের ঠিকানা দেয়: একটি রেফারেন্স বিতরণের একটি বিবরণ শিখুন এবং এর সমর্থিত অঞ্চলের বাইরে পড়ে এমন ভবিষ্যতের পয়েন্টগুলি পতাকাঙ্কিত করুন। এটি একটি স্ট্যান্ডার্ড বাইনারি SVM থেকে আলাদা কারণ প্রশিক্ষণের জন্য সাধারণত স্বাভাবিক এবং অস্বাভাবিক উভয় শ্রেণীর লেবেলযুক্ত উদাহরণের প্রয়োজন হয় না। অ্যালগরিদম একটি বৈশিষ্ট্য উপস্থাপনের মাধ্যমে পর্যবেক্ষণগুলি মানচিত্র করে, তারপরে একটি সীমানা অনুমান করে যা মডেল জটিলতা নিয়ন্ত্রণ করার সময় রেফারেন্স ডেটার একটি নির্দিষ্ট অংশকে আবদ্ধ করে। কার্নেল ফাংশন, যেমন রেডিয়াল বেসিস ফাংশন, অরৈখিক সীমানা অনুমোদন করে। পদ্ধতি প্রিপ্রসেসিং উপর দৃঢ়ভাবে নির্ভর করে. SVM সীমানা ফিচার স্পেসে জ্যামিতির উপর ভিত্তি করে, তাই বড় স্কেল সহ ভেরিয়েবলগুলি আধিপত্য করতে পারে যদি না বৈশিষ্ট্যগুলি যথাযথভাবে মাপানো হয়। একটি RBF কার্নেলের মাধ্যমে, গামা নিয়ন্ত্রণ করে কত দ্রুত দূরত্বের সাথে সাদৃশ্য পড়ে যায়; উচ্চ গামা একটি উচ্চ স্থানীয়, অনিয়মিত সীমানা তৈরি করতে পারে, যখন কম গামা ব্যাপক প্রভাব ফেলে। নিয়মিতকরণ এবং নু সীমানা জটিলতা এবং বাইরের হিসাবে বিবেচিত পর্যবেক্ষণগুলির মধ্যে ট্রেডঅফকেও প্রভাবিত করে। Nu কে সাধারণত প্রশিক্ষণের ত্রুটির ভগ্নাংশের উপর একটি উপরের সীমা এবং ফর্মুলেশনে সমর্থন ভেক্টরের ভগ্নাংশের উপর একটি নিম্ন আবদ্ধ হিসাবে ব্যাখ্যা করা হয়, সম্ভাব্যতা সাপেক্ষে। এটি প্রকৃত অসংগতি বিস্তারের একটি সরাসরি অনুমান নয়। একটি দল 0.05 এ nu সেট করে একটি মডেলিং সহনশীলতা বেছে নিয়েছে, যা প্রমাণিত হয়নি যে ভবিষ্যতের পাঁচ শতাংশ পর্যবেক্ষণ অস্বাভাবিক। থ্রেশহোল্ড এবং অপারেটিং পয়েন্টগুলি পর্যালোচনা ক্ষমতা, মিথ্যা সতর্কতা খরচ এবং বৈধতা ডেটার উপর ভিত্তি করে নির্বাচন করা উচিত। ওয়ান-ক্লাস এসভিএম কাজ করতে পারে যখন প্রশিক্ষণের ডেটা স্বাভাবিক আচরণের প্রতিনিধিত্ব করে এবং একটি দরকারী সীমানা বিদ্যমান থাকে। যদি প্রশিক্ষণে অনেক অসঙ্গতি অন্তর্ভুক্ত থাকে, তাহলে শেখা অঞ্চল সেগুলি শোষণ করতে পারে। স্বাভাবিক প্রক্রিয়া পরিবর্তন হলে, একটি নির্দিষ্ট সীমানা স্বাভাবিক প্রবাহকে অভিনবত্ব হিসাবে চিহ্নিত করতে পারে। সম্ভব হলে পরবর্তী পর্যবেক্ষণ বা লেবেলযুক্ত পর্যালোচনাগুলির মূল্যায়ন করুন, স্কোরের দিকনির্দেশ এবং ক্রমাঙ্কন সীমাবদ্ধতা পরীক্ষা করুন এবং আইসোলেশন ফরেস্টের মতো বিকল্পগুলির সাথে তুলনা করুন। একটি আউটলিয়ার স্কোর হল একটি নির্বাচিত মডেলের অধীনে সীমানা অবস্থানের একটি পরিমাপ, একটি কারণ নির্ণয় বা ঝুঁকির সম্ভাবনা নয়।
একজন প্রস্তুতকারক পরিদর্শন করা স্বাভাবিক সেন্সর রিডিংয়ের উপর একটি এক-শ্রেণীর SVM প্রশিক্ষণ দেয়। শেখা সীমানার বাইরে পরবর্তী পাঠগুলি পর্যালোচনার জন্য পতাকাঙ্কিত করা হয়; এটি প্রমাণ করে না যে সরঞ্জাম ব্যর্থ হয়েছে।
একজন বিশ্লেষক একটি অরৈখিক স্বাভাবিক-ডেটা সীমানা উপস্থাপন করতে একটি RBF কার্নেল ব্যবহার করে। গামা প্রশিক্ষণ পয়েন্টগুলির প্রভাব কতটা স্থানীয় তা নিয়ন্ত্রণ করে, যখন বৈশিষ্ট্য স্কেলিং দূরত্বের অর্থ পরিবর্তন করে।
একটি দল nu পরিবর্তিত হয় এবং উচ্চ সেটিংসে সীমানার বাইরে শ্রেণীবদ্ধ আরও প্রশিক্ষণ পয়েন্ট পর্যবেক্ষণ করে। Nu হল প্রশিক্ষণ ত্রুটি ভগ্নাংশ এবং সমর্থন-ভেক্টর ভগ্নাংশের সাথে সম্পর্কিত একটি মডেল নিয়ন্ত্রণ, একটি পরিচিত অসঙ্গতি হার নয়।
একটি মনিটরিং পরিষেবা ঐতিহাসিক স্বাভাবিক ডেটাতে ফিট করে এবং ভবিষ্যতের রেকর্ড মূল্যায়ন করে। রেফারেন্স পিরিয়ডটি অবশ্যই প্রত্যাশিত স্বাভাবিক পরিবর্তনের প্রতিনিধিত্ব করবে, অথবা সৌম্য প্রবাহ সতর্কতা ট্রিগার করতে পারে।
ওয়ান-ক্লাস এসভিএম সিস্টেমগুলি পরিচালনা করা নিরাপদ হতে পারে যখন দলগুলি একটি কিউরেটেড রেফারেন্স পিরিয়ড, সংস্করণ স্কেলিং এবং কার্নেল প্যারামিটার বজায় রাখে এবং পর্যালোচনা করা ফলাফলের সাথে পতাকার তুলনা করে। স্বয়ংক্রিয়ভাবে সীমানা পুনঃপ্রশিক্ষিত করার আগে ড্রিফট পর্যবেক্ষণকে বিচ্ছিন্ন নতুনত্ব থেকে ধীরে ধীরে স্বাভাবিক পরিবর্তনকে আলাদা করা উচিত। দলগুলি উদ্দেশ্যমূলক পর্যালোচনা ক্ষমতা এবং মডেলিং পছন্দ হিসাবে নথিতে সতর্কতা মূল্যায়ন করতে পারে। ইন্টারফেসগুলিকে ব্যাখ্যা করা উচিত যে একটি বিন্দু এটিকে দূষিত বা ত্রুটিপূর্ণ লেবেল না করে একটি শেখা রেফারেন্স সীমানার বাইরে পড়ে। দুর্লভ অসঙ্গতি লেবেল সহ, পর্যায়ক্রমিক বিশেষজ্ঞ পর্যালোচনা নতুনত্ব এবং নিশ্চিত ঘটনাগুলির মধ্যে পার্থক্য রক্ষা করার সময় মূল্যায়নকে ধীরে ধীরে উন্নত করতে পারে।
ফ্রি নিউজলেটার
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
ওয়ান-ক্লাস এসভিএম একটি রেফারেন্স নমুনার চারপাশে একটি সীমানা শিখে, যার লক্ষ্য বাকি বৈশিষ্ট্য স্থান থেকে বেশিরভাগ প্রশিক্ষণ পর্যবেক্ষণ ধারণকারী অঞ্চলগুলিকে আলাদা করা। এটি অভিনবত্ব সনাক্তকরণকে সমর্থন করে যখন অসঙ্গতিগুলি দুষ্প্রাপ্য বা লেবেলবিহীন, তবে কার্নেল পছন্দ, বৈশিষ্ট্য স্কেলিং এবং নু সীমানা নির্ধারণ করে এবং বৈধতার প্রয়োজন হয়।
অভিনবত্ব সনাক্তকরণ সাধারণত লেবেলযুক্ত অসঙ্গতির প্রয়োজন ছাড়াই রেফারেন্স পর্যবেক্ষণ থেকে একটি সীমানায় ফিট করে।
সীমানা একটি বিন্দুকে ফ্ল্যাগ করে যেমন বাইরে থেকে সাধারণ সমর্থন শিখেছে কিন্তু এর কারণ বা কর্মক্ষম অবস্থা প্রমাণ করে না।
গামা RBF কার্নেলের দূরত্ব স্কেল সেট করে এবং সীমানা স্থানীয়তাকে প্রভাবিত করে।
Nu সীমাবদ্ধ প্রশিক্ষণ ত্রুটি ভগ্নাংশ এবং সমর্থন-ভেক্টর ভগ্নাংশ গঠনে; এটি একটি ব্যাপকতা অনুমান নয়.
দূষিত রেফারেন্স ডেটা সেই অঞ্চলটিকে প্রভাবিত করতে পারে যা মডেলটি সাধারণ হিসাবে শেখে।
শিখতে থাকুন
এই বিষয়ের জন্য বাছাই করা আরও গাইড
পরবর্তী আপপরবর্তী গাইড
ওয়ান-ভি-রেস্ট এবং ওয়ান-ভি-ওয়ান কৌশল
টেকনিক্যাল