Одноклассовая СВМ

SVM одного класса предназначен для обнаружения новинок: изучите описание эталонного распределения и пометьте будущие точки, которые выходят за пределы поддерживаемого региона. Он отличается от стандартной бинарной SVM тем, что для обучения обычно не требуются помеченные примеры как нормальных, так и аномальных классов. Алгоритм отображает наблюдения через представление объектов, затем оценивает границу, охватывающую указанную часть справочных данных, одновременно контролируя сложность модели. Функции ядра, такие как радиальная базисная функция, допускают нелинейные границы. Метод сильно зависит от предварительной обработки. Границы SVM основаны на геометрии в пространстве объектов, поэтому переменные с большими масштабами могут доминировать, если объекты не масштабированы соответствующим образом. В ядре RBF гамма контролирует, насколько быстро сходство падает с расстоянием; высокая гамма может создать очень локальную, неровную границу, тогда как низкая гамма дает более широкое влияние. Регуляризация и nu также влияют на компромисс между сложностью границ и наблюдениями, рассматриваемыми как внешние. Nu обычно интерпретируется как верхняя граница доли ошибок обучения и нижняя граница доли опорных векторов в формулировке при условии ее осуществимости. Это не прямая оценка реальной распространенности аномалий. Команда, установившая nu равной 0,05, выбрала допуск моделирования, не доказав, что пять процентов будущих наблюдений являются аномальными. Пороговые значения и рабочие точки следует выбирать на основе возможностей анализа, затрат на ложные оповещения и данных проверки. SVM одного класса может работать, когда данные обучения представляют собой нормальное поведение и существует полезная граница. Если обучение включает в себя множество аномалий, изучаемая область может их поглотить. Если нормальный процесс меняется, фиксированная граница может обозначить нормальный дрейф как новизну. Оцените результаты более поздних наблюдений или размеченных обзоров, если это возможно, изучите направление оценки и ограничения калибровки и сравните с альтернативами, такими как Isolation Forest. Оценка выброса — это мера граничного положения выбранной модели, а не причинный диагноз или вероятность риска.