Ensemble One-Class SVM (Topluluk Tek Sınıf SVM)
Ensemble of One-Class Support Vector Machines · Ayrıca şöyle bilinir: Ensemble OC-SVM, multiple one-class SVM, OC-SVM ensemble, one-class SVM committee
Ensemble One-Class SVM, her biri verinin veya özelliklerin farklı rastgele bir alt kümesi üzerinde eğitilmiş birden çok tek sınıf destek vektör makinesi modelini birleştirir ve bunların aykırı değer skorlarını toplar. Birden çok OC-SVM sınır tahminini birleştirerek, topluluk tek bir tek sınıf SVM'yi etkileyen çekirdek seçimi ve veri örneklemesine duyarlılığı azaltır, daha kararlı ve doğru bir yenilik veya aykırı değer dedektörü üretir.
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 verilerinin eğitim için mevcut olduğu (yenilik tespiti) veya veri kümesinin çok az etiketlenmiş aykırı değere sahip olduğu (aykırı değer tespiti) durumlarda Ensemble One-Class SVM kullanın. Veri yüksek boyutlu olduğunda, optimal çekirdek veya nu parametresi belirsiz olduğunda veya eğitim kümesi varyasyonuna karşı dayanıklılık gerektiğinde tek bir OC-SVM'den daha iyi performans gösterir. Tam etiketlenmiş iki sınıflı veriler mevcut olduğunda kullanmayın — standart denetimli sınıflandırıcılar daha iyi performans gösterecektir. Bootstrap'ın neredeyse aynı temel modeller ürettiği ve topluluk ek yükünün haklı çıkarılmadığı çok küçük veri kümelerinde bundan kaçının. Yorumlanabilirlik gereksinimleri için, SHAP ile izolasyon ormanı gibi daha basit aykırı değer skorlarını tercih edin.
Güçlü yönler & sınırlılıklar
- Çekirdek ve hiperparametre hassasiyetinden kaynaklanan tek bir tek sınıf SVM'nin yüksek varyansını azaltır.
- Toplanan skorlar, tek bir karar sınırına göre daha yumuşak, daha iyi kalibre edilmiş aykırı değer sıralamaları sağlar.
- Tamamen normal sınıf verilerinden çalışır — eğitim için etiketlenmiş aykırı değer gerekmez.
- Çeşitlilik stratejileri (rastgele alt uzay, bootstrap) temel model eğitiminin kolay paralelleştirilmesine olanak tanır.
- Özellik uzayının tek bir alt bölgesine uydurulmuş tek bir OC-SVM'ye kıyasla görülmeyen aykırı değer türlerine daha iyi genelleme yapar.
- Hesaplama açısından pahalıdır: çok büyük veri kümelerine, yaklaşık veya çekirdek yaklaştırma yöntemleri olmadan, birçok SVM modelini uydurmak iyi ölçeklenmez.
- Çeşitlilik stratejisini ve temel model sayısını seçmek, tek bir OC-SVM'nin ötesinde hiperparametre karmaşıklığı ekler.
- Yorumlanabilirlik çok düşüktür — ne topluluk skoru ne de herhangi bir bireysel OC-SVM karar sınırı sezgisel bir açıklamaya sahiptir.
- Tek bir iyi ayarlanmış OC-SVM veya izolasyon ormanına göre performans kazançları tüm veri kümelerinde garanti edilmez.
SSS
Topluluk kaç temel OC-SVM modeli içermelidir?
Tipik topluluklar 10 ila 50 temel model kullanır. 30 ila 50 modelin ötesinde kazançlar hızla azalır ve hesaplama maliyeti uydurulan temel SVM'lerin sayısıyla doğrusal olarak ölçeklenir. 20 ile başlayın ve daha fazla ekledikçe tutulan AUROC'yi izleyin.
Aykırı değer tespiti için izolasyon ormanı ile nasıl karşılaştırılır?
İzolasyon ormanı genellikle daha hızlıdır, büyük veri kümelerine daha iyi ölçeklenir ve ayarlanması daha kolaydır. Normal bölge kompakt bir çekirdek tarafından temsil edilebilir bir şekle sahip olduğunda Ensemble OC-SVM, izolasyon ormanından daha iyi performans gösterebilir, ancak çoğu genel amaçlı aykırı değer tespiti görevleri için izolasyon ormanı veya LOF tercih edilen başlangıç noktalarıdır.
Temel OC-SVM'ler için hangi çekirdeği kullanmalıyım?
RBF (Gauss) çekirdeği standart varsayılan değerdir. Çeşitlilik sağlamak için temel modeller arasında gamma parametresini değiştirin; alternatif olarak, ölçeklenebilirlik için RBF çekirdeğinin rastgele bir özellik yaklaşımını kullanın.
Biraz etiketlenmiş aykırı değerlerim olduğunda bu yöntemi kullanabilir miyim?
Biraz bile etiketlenmiş aykırı değeriniz varsa, yarı denetimli yöntemler veya uygun sınıf ağırlıklandırmasına sahip standart topluluk sınıflandırıcıları, tamamen tek sınıf bir yaklaşımdan daha iyi performans gösterecektir. Tek sınıf yöntemlerini gerçekten etiketlenmemiş veya tek sınıflı ortamlar için saklayın.
Kontaminasyon oranı nasıl ayarlanır?
Alan bilgisine (örneğin, geçmiş arıza oranı) göre ayarlayın veya eğitim verisi dağılımından tahmin edin. Aşırı iyimser tespit oranları ürettiği için eşiği seçmek için test kümesi bilgilerini kullanmaktan kaçının.
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 ↗
- Tax, D. M. J., & Duin, R. P. W. (2001). Combining one-class classifiers. In Multiple Classifier Systems (MCS 2001), Lecture Notes in Computer Science, vol 2096. Springer, Berlin, Heidelberg. DOI: 10.1007/3-540-48219-9_30 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Ensemble of One-Class Support Vector Machines. ScholarGate. https://scholargate.app/tr/machine-learning/ensemble-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
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır
- Oy Birliği TopluluğuMakine öğrenmesi↔ karşılaştır