Bayesian Tek Sınıf SVM
Bayesian One-Class Support Vector Machine · Ayrıca şöyle bilinir: Bayesian OCSVM, Bayesian one-class classifier, probabilistic one-class SVM, Bayes-OCSVM
Bayesian tek sınıf SVM, normal eğitim örnekleri etrafında sıkı bir sınır öğrenen klasik tek sınıf destek vektör makinesini, yalnızca ikili bir işaret yerine anomali olasılığı tahminleri üretmek üzere Bayesçi çıkarım ile birleştirir. Bu, belirsizlik miktarını yenilik kararı üzerinde ölçmeye olanak tanır ve yaklaşımı, aşağı akış eylemleri modelin yeni bir gözlemin anormal olduğuna ne kadar güvendiğine bağlı olduğunda daha uygun hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Yalnızca normal sınıf için etiketlenmiş verileriniz olduğunda (tek sınıf ayarı: dolandırıcılık, hata tespiti, tıbbi tarama) ve yalnızca bir anomali işareti değil, vakaları önceliklendirmek veya kabul edilebilir yanlış pozitif oranlarına dayalı karar eşikleri ayarlamak için kalibre edilmiş bir olasılık puanına ihtiyaç duyduğunuzda Bayesian tek sınıf SVM kullanın. Örneklem boyutunun orta olduğu (kabaca 50–10.000 normal örnek) ve özellik uzayının düşük-orta boyutlu olduğu durumlarda uygundur. Karar kurallarının düzenleyici raporlama için tam şeffaflığına ihtiyaç duyduğunuzda, hesaplama bütçesinin çok kısıtlı olduğu durumlarda (Bayesçi çıkarım, düz OCSVM'ye göre ek maliyet getirir), ön özellik azaltma olmadan verilerin aşırı derecede yüksek boyutlu olduğu durumlarda veya büyük miktarda etiketlenmiş anomali örneğinin mevcut olduğu durumlarda (bu da iki sınıflı bir sınıflandırıcıyı daha uygun hale getirir) bundan kaçının.
Güçlü yönler & sınırlılıklar
- Sert ikili işaretler yerine kalibre edilmiş olasılık puanları üretir, risk sıralı çıktıları etkinleştirir.
- Kanıtın sınırlarda olduğu durumlarda değerli olan anomali kararı üzerindeki belirsizliği ölçer.
- Bayesçi önsel, düz OCSVM'ye kıyasla nu ve çekirdek hiperparametrelerinin seçimine duyarlılığı azaltan bir düzenleyici görevi görür.
- Seyrek Bayesçi formülasyondaki otomatik ilgili belirleme, bilgilendirici olmayan destek vektörlerini budar, daha yalın modeller üretir.
- Eğitim sırasında anomali örneklerinin bulunmadığı veya son derece nadir olduğu tek sınıf ayarlarında iyi çalışır.
- Bayesçi çıkarım, özellikle büyük eğitim kümeleri için standart OCSVM'ye göre önemli ölçüde hesaplama yükü ekler.
- Çekirdek seçimi ve nu hiperparametresi hala ayarlanmayı gerektirir; kötü seçimler, Bayesçi sarmalayıcıdan bağımsız olarak aşırı veya eksik kapsayıcı sınırlar oluşturur.
- Ön boyut azaltma olmadan çok yüksek boyutlu ham verilere kötü ölçeklenir.
- Sonralı kalibrasyon kalitesi, seçilen önselin yeterliliğine bağlıdır; yanlış belirtilmiş bir önsel aşırı güvenli veya eksik güvenli olasılıklar üretebilir.
SSS
Bayesian tek sınıf SVM, düz tek sınıf SVM'den nasıl farklıdır?
Düz OCSVM, sınırdan işaretli bir mesafe ve ikili bir içeride/dışarıda kalma işareti döndürür. Bayesçi sürüm, model parametreleri üzerine bir önsel yerleştirir ve her gözlem için bir olasılık puanı üreten bir sonralı hesaplar. Bu olasılık, kabul edilebilir yanlış pozitif oranlarına dayalı eşik seçimini etkinleştirir ve sınırlardaki belirsizlikleri iletir.
Hangi önseli kullanmalıyım?
Ağırlık vektörü üzerindeki sıfır ortalamalı bir Gauss önseli (L2 düzenlemesine eşdeğerdir) standart başlangıç noktasıdır ve standart SVM marj hedefiyle doğrudan ilişkilidir. İlgili vektör makinesinde kullanılan otomatik ilgili belirleme önseli gibi seyrek önseler, ek olarak ilgisiz özellikleri budar ve daha seyrek, daha hızlı modeller üretme eğilimindedir.
Nu parametresini nasıl seçerim?
Nu, aykırı değer olarak ele alınan eğitim noktalarının kesri ve destek vektörü haline gelen kesirler üzerindeki üst sınırı belirler. Yaygın bir sezgisel yöntem, nu'yu eğitim verilerindeki kontaminasyon oranının bir tahminine eşitlemektir. AUC veya ortalama hassasiyet gibi puanlama metriklerini kullanarak temiz bir normal tutma kümesi üzerinde çapraz doğrulama, titiz seçim için önerilir.
Biraz etiketlenmiş anomali örneğim olduğunda bu yöntemi kullanabilir miyim?
Etiketlenmiş anomali örnekleri mevcutsa, iki sınıflı bir sınıflandırıcı (örneğin, lojistik regresyon, gradyan artırma veya her iki sınıfla standart SVM) neredeyse her zaman tek sınıflı bir yöntemden daha iyi performans gösterir. Bayesian tek sınıf SVM, anomali etiketlerinin bulunmadığı veya ikinci bir sınıfı güvenilir bir şekilde tanımlamak için çok az olduğu durumlarda en değerlidir.
Hangi çekirdek en iyi çalışır?
Radyal taban fonksiyonu (RBF) çekirdeği, özellik uzayında kompakt hiperküresel bölgeler ürettiği için en yaygın varsayılan değerdir. Polinom çekirdekleri, bilinen polinom etkileşimlerine sahip veriler için uygundur. Her zaman bant genişliği (gamma) parametresini nu ile birlikte arayın — her ikisi üzerinde bir ızgara veya Bayesçi optimizasyon arama önerilir.
Kaynaklar
- Scholkopf, B., Platt, J. C., Shawe-Taylor, J., Smola, A. J., & Williamson, R. C. (2001). Estimating the support of a high-dimensional distribution. Neural Computation, 13(7), 1443–1471. DOI: 10.1162/089976601750264965 ↗
- Tipping, M. E. (2001). Sparse Bayesian learning and the relevance vector machine. Journal of Machine Learning Research, 1, 211–244. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian One-Class Support Vector Machine. ScholarGate. https://scholargate.app/tr/machine-learning/bayesian-one-class-svm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Otokodlayıcı Anomali TespitiMakine öğrenmesi↔ karşılaştır
- Bayesçi Gauss SüreciMakine öğrenmesi↔ karşılaştır
- Gauss SüreciMakine öğrenmesi↔ karşılaştır
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır
- Dayanıklı Tek Sınıf Destek Vektör MakinesiMakine öğrenmesi↔ karşılaştır