LegközelebbKövetkező útmutató
One-vs-Rest and One-vs-One Strategies
Műszaki
Műszaki ÚTMUTATÓ
Az egyosztályú SVM egy referenciaminta körüli határvonalat tanul meg, hogy megkülönböztesse a legtöbb képzési megfigyelést tartalmazó régiókat a jellemzőtér többi részétől.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
Támogatja az újdonságok észlelését, amikor az anomáliák ritkák vagy nincsenek címkézve, de a kernelválasztás, a funkcióskálázás és a nu határozza meg a határt, és érvényesítést igényel.
Az egyosztályú SVM az újdonságok észlelésével foglalkozik: ismerje meg a referencia-eloszlás leírását, és jelölje meg a jövőbeni pontokat, amelyek a támogatott régión kívül esnek. Ez különbözik a szabványos bináris SVM-től, mivel a képzés általában nem igényli mind a normál, mind az anomális osztályok címkézett példáit. Az algoritmus leképezi a megfigyeléseket egy jellemzőábrázoláson keresztül, majd megbecsül egy határt, amely a referenciaadatok egy meghatározott részét körülveszi, miközben szabályozza a modell összetettségét. A kernelfüggvények, mint például a radiális bázisfüggvény, nemlineáris határokat tesznek lehetővé. A módszer erősen függ az előfeldolgozástól. Az SVM-határok a jellemzőtér geometriáján alapulnak, így a nagy léptékű változók dominálhatnak, hacsak a jellemzők nincsenek megfelelően méretezve. Az RBF kernellel a gamma szabályozza, hogy milyen gyorsan csökken a hasonlóság a távolsággal; a nagy gamma erősen lokális, szabálytalan határvonalat eredményezhet, míg az alacsony gamma szélesebb befolyást eredményez. A regularizáció és a nu szintén befolyásolja a határkomplexitás és a külsőként kezelt megfigyelések közötti kompromisszumot. A Nu-t általában a képzési hibák hányadának felső korlátjaként és a támasztóvektorok töredékének alsó korlátjaként értelmezik, a megvalósíthatóságtól függően. Ez nem közvetlen becslése az anomália valós előfordulásának. A nu 0,05-re állító csapat modellezési toleranciát választott, de nem bizonyította, hogy a jövőbeni megfigyelések öt százaléka abnormális. A küszöbértékeket és a működési pontokat a felülvizsgálati kapacitás, a téves riasztások költségei és az érvényesítési adatok alapján kell kiválasztani. Az egyosztályú SVM akkor működhet, ha a betanítási adatok normális viselkedést képviselnek, és létezik egy hasznos határ. Ha a képzés sok anomáliát tartalmaz, a tanult régió felszívhatja azokat. Ha a normál folyamat megváltozik, egy rögzített határ újdonságként jelölheti a normál sodródást. Ha lehetséges, értékelje a későbbi megfigyeléseket vagy címkézett értékeléseket, vizsgálja meg a pontszám irányát és a kalibrálási korlátokat, és hasonlítsa össze az olyan alternatívákkal, mint az Isolation Forest. A kiugró pontszám egy kiválasztott modell határhelyzetének mértéke, nem pedig ok-okozati diagnózis vagy kockázati valószínűség.
A gyártó az egyosztályú SVM-et az ellenőrzött normál érzékelők leolvasására tanítja. A tanult határon kívül eső későbbi leolvasások megjelölésre kerülnek felülvizsgálatra; ez nem bizonyítja, hogy a berendezés meghibásodott.
Az elemző egy RBF kernelt használ a nemlineáris normáladat-határ ábrázolására. A gamma szabályozza, hogy mennyire lokális a képzési pontok befolyása, míg a jellemzők skálázása megváltoztatja a távolságok jelentését.
Egy csapat változtatja a nu-t, és magasabb beállítások mellett több, a határon kívülre sorolt edzési pontot figyel meg. A Nu egy modellvezérlő, amely a betanítási hibafrakcióhoz és a támasz-vektor törtéhez kapcsolódik, nem ismert anomáliaarány.
A megfigyelési szolgáltatás illeszkedik a korábbi normál adatokhoz, és kiértékeli a jövőbeli rekordokat. A referencia-időszaknak a várható normál eltérést kell képviselnie, különben a jóindulatú eltolódás riasztásokat válthat ki.
Az egyosztályú SVM-rendszerek működése biztonságosabb lehet, ha a csapatok fenntartják a kurált referencia-időszakot, a verzióskálázást és a kernelparamétereket, és összehasonlítják a jelzőket az áttekintett eredményekkel. Az elsodródás-figyelésnek meg kell különböztetnie a fokozatos normál változást az elszigetelt újdonságtól, mielőtt a határ automatikusan áttanulmányozná. A csapatok a tervezett felülvizsgálati kapacitással értékelhetik a riasztásokat, és modellezési választásként dokumentálhatják a nu-t. Az interfészeknek meg kell magyarázniuk, hogy egy pont kívül esik egy tanult referenciahatáron anélkül, hogy rosszindulatúnak vagy hibásnak jelölné. A ritka anomália címkékkel az időszakos szakértői felülvizsgálat fokozatosan javíthatja az értékelést, miközben megőrzi a különbséget az újdonság és a megerősített incidensek között.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Az egyosztályú SVM egy referenciaminta körüli határvonalat tanul meg, hogy megkülönböztesse a legtöbb képzési megfigyelést tartalmazó régiókat a jellemzőtér többi részétől. Támogatja az újdonságok észlelését, amikor az anomáliák ritkák vagy nincsenek címkézve, de a kernelválasztás, a funkcióskálázás és a nu határozza meg a határt, és érvényesítést igényel.
Az újdonságfelismerés jellemzően a referenciamegfigyelések határai közé illeszkedik anélkül, hogy megjelölt anomáliákra lenne szükség.
A határvonal megjelöl egy pontot a tanult normál támogatáson kívüliként, de nem bizonyítja annak okát vagy működési állapotát.
A gamma beállítja az RBF kernel távolságskáláját, és befolyásolja a határterületet.
Nu korlátok képzési hibatört és támasz-vektor tört a készítményben; ez nem prevalenciabecslés.
A szennyezett referenciaadatok befolyásolhatják azt a régiót, amelyet a modell tipikusnak tanul.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
One-vs-Rest and One-vs-One Strategies
Műszaki