Aktif Öğrenme Tek Sınıflı SVM
Active Learning with One-Class Support Vector Machine · Ayrıca şöyle bilinir: AL-OCSVM, active one-class SVM, active novelty detection SVM, query-driven OCSVM
Aktif Öğrenme Tek Sınıflı SVM, çekirdek tabanlı bir yenilik dedektörü olan ve normal verilerin sınırını öğrenen tek sınıflı destek vektör makinesini (one-class support vector machine), uzman etiketlemesi için en bilgilendirici etiketlenmemiş örnekleri seçen bir aktif öğrenme döngüsüyle birleştirir. Sonuç, minimum etiketleme çabasıyla karar sınırını iyileştiren veri açısından verimli bir anomali dedektörüdür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Anomalilerin veya yeniliklerin tespit edilmesi gerektiğinde ancak etiketlenmiş örneklerin pahalı, nadir veya başlangıçta mevcut olmadığı durumlarda kullanılır — dolandırıcılık tespiti, ekipman arıza izleme, siber güvenlik saldırı tespiti ve tıbbi nadir hastalık taraması gibi tipik durumlarda. Yöntem, onaylanmış normal örneklerin küçük bir tohumuyla birlikte makul miktarda etiketlenmemiş normal verinin mevcut olduğu ve bir oracle'ın (insan uzmanı veya otomatik testçi) sorgulanan noktaları etiketleyebildiği durumlarda iyi uyum sağlar. Anomali oranının o kadar düşük olduğu durumlarda kaçının ki aktif sorgular bile nadiren anomaliye ulaşır, özellik uzayının anlamlı bir çekirdek eşlemesi olmadan aşırı derecede yüksek boyutlu olduğu veya insan döngüsü olmadan tamamen otomatik bir işlem hattının gerekli olduğu durumlarda kaçının.
Güçlü yönler & sınırlılıklar
- Etkili bir anomali dedektörü oluşturmak için gereken uzman etiketlerinin sayısını önemli ölçüde azaltır.
- Özellikle RBF çekirdeği olmak üzere çekirdek eşlemeleri yoluyla yüksek boyutlu verileri iyi işler.
- Başlangıçta anomali örneği gerektirmez — yalnızca normal verilerden başlar.
- Aktif sorgu stratejisi, etiketleme çabasını uzayın en karar-ilgili bölgesine odaklar.
- OCSVM sınırı, nu hiperparametresi aracılığıyla eğitim kümesindeki aykırı değerlere karşı dayanıklıdır.
- Performans, çekirdek seçimine ve nu hiperparametresine duyarlıdır; kötü varsayılanlar, çok sıkı veya çok gevşek bir sınır verebilir.
- Ölçeklenebilirlik sınırlıdır: OCSVM eğitim maliyeti, destek vektörlerinin sayısıyla kabaca karesel olarak artar, bu da onu büyük veri kümelerinde yavaşlatır.
- İlk etiketlenmiş tohum gerçek normal bölgeyi temsil etmiyorsa, erken sorgular modeli yanlış yönlendirebilir.
- Aktif öğrenme, oracle'ın kullanılabilirliğini ve güvenilirliğini varsayar; gürültülü veya tutarsız etiketleme sınırı bozar.
SSS
Bu yöntem ile standart bir Tek Sınıflı SVM arasındaki fark nedir?
Standart bir Tek Sınıflı SVM, mevcut tüm etiketlenmiş veriler üzerinde bir kez eğitilir. Aktif öğrenme varyantı yinelenir: küçük bir tohum üzerinde eğitilir, en bilgilendirici etiketlenmemiş noktalara sorgu yapar, etiketleri toplar ve yeniden eğitir. Bu, çok daha az etiketlenmiş örnekle sınırı daha doğru hale getirir.
Başlamak için kaç etiketlenmiş örneğe ihtiyacım var?
Onaylanmış normal örneklerden oluşan birkaç avuç (10-50 kadar az) ilk OCSVM'yi başlatabilir. Aktif döngü daha sonra etiketlenmiş kümeyi stratejik olarak büyütür. Çok az örnekle başlamak, erken sorguları yanlış yönlendiren kararsız bir ilk sınır riski taşır.
Hangi sorgu stratejisini kullanmalıyım?
Mevcut OCSVM karar sınırına en yakın örnekleri sorgulayan marj örneklemesi, en yaygın seçimdir. Girdi uzayının yoğun bölgelerindeki noktaları da tercih eden yoğunluk ağırlıklı varyantlar, verilerin küme yapısı olduğunda saf marj örneklemesinden daha iyi performans gösterme eğilimindedir.
Anomali etiketlerinin nadir olduğu durumlarda performansı nasıl değerlendirmeliyim?
Onaylanmış anomalileri içeren ayrılmış bir doğrulama kümesi üzerinde ROC eğrisinin altındaki alan (AUC-ROC) veya hassasiyet-geri çağırma eğrisinin altındaki alan (AUC-PR) kullanın. Anomaliler nadir olduğunda doğruluk yanıltıcıdır. Hiç anomali etiketi yoksa, düşük boyutlu bir projeksiyonda sınırın görsel incelemesini kullanın.
Ne zaman farklı bir anomali dedektörüne geçmeliyim?
Veri kümesinde birkaç binden fazla örnek varsa, Isolation Forest veya Otomatik Kodlayıcı tabanlı dedektörler daha iyi ölçeklenir. Denetimli eğitim için yeterli etiketlenmiş anomaliye sahipseniz, standart bir ikili SVM veya gradyan artırılmış sınıflandırıcı genellikle OCSVM'den daha iyi performans gösterir.
Kaynaklar
- Schölkopf, B., Platt, J. C., Shawe-Taylor, J., Smola, A. J., & Williamson, R. C. (1999). Estimating the Support of a High-Dimensional Distribution. Neural Computation, 13(7), 1443–1471. DOI: 10.1162/089976601750264965 ↗
- Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Active Learning with One-Class Support Vector Machine. ScholarGate. https://scholargate.app/tr/machine-learning/active-learning-one-class-svm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Aktif ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır