Eén-Klasse SVM

One-Class SVM richt zich op nieuwigheidsdetectie: leer een beschrijving van een referentiedistributie en markeer toekomstige punten die buiten de ondersteunde regio vallen. Het verschilt van een standaard binaire SVM omdat training meestal geen gelabelde voorbeelden van zowel normale als afwijkende klassen vereist. Het algoritme brengt observaties in kaart via een kenmerkrepresentatie en schat vervolgens een grens die een gespecificeerd deel van de referentiegegevens omsluit, terwijl de complexiteit van het model wordt gecontroleerd. Kernelfuncties, zoals de radiale basisfunctie, maken niet-lineaire grenzen mogelijk. De werkwijze is sterk afhankelijk van de voorbewerking. SVM-grenzen zijn gebaseerd op geometrie in de objectruimte, dus variabelen met grote schalen kunnen domineren, tenzij objecten op de juiste manier worden geschaald. Met een RBF-kernel bepaalt gamma hoe snel de gelijkenis afneemt met de afstand; een hoog gamma kan een zeer lokale, onregelmatige grens opleveren, terwijl een laag gamma een bredere invloed oplevert. Regularisatie en nu beïnvloeden ook de afweging tussen grenscomplexiteit en observaties die als daarbuiten worden behandeld. Nu wordt gewoonlijk geïnterpreteerd als een bovengrens voor de fractie trainingsfouten en een ondergrens voor de fractie steunvectoren in de formulering, afhankelijk van de haalbaarheid. Het is geen directe schatting van de werkelijke prevalentie van afwijkingen. Een team dat nu op 0,05 heeft gezet, heeft een modelleringstolerantie gekozen, die niet heeft bewezen dat vijf procent van de toekomstige waarnemingen abnormaal is. Drempels en werkingspunten moeten worden gekozen op basis van beoordelingscapaciteit, kosten voor valse waarschuwingen en validatiegegevens. One-Class SVM kan werken wanneer trainingsgegevens normaal gedrag vertegenwoordigen en er een bruikbare grens bestaat. Als de training veel afwijkingen bevat, kan de geleerde regio deze absorberen. Als het normale proces verandert, kan een vaste grens normale drift als nieuw bestempelen. Evalueer indien mogelijk op basis van latere observaties of gelabelde beoordelingen, onderzoek de scorerichting en kalibratiebeperkingen en vergelijk met alternatieven zoals Isolation Forest. Een uitbijterscore is een maatstaf voor de grenspositie onder een geselecteerd model, en niet een causale diagnose of risicowaarschijnlijkheid.