Açıklanabilir Tek Sınıf Destek Vektör Makinesi
Explainable One-Class Support Vector Machine · Ayrıca şöyle bilinir: XOC-SVM, Interpretable One-Class SVM, SHAP-augmented OCSVM, Explainable Novelty Detection SVM
Açıklanabilir Tek Sınıf Destek Vektör Makinesi (One-Class Support Vector Machine - OCSVM), etiketli anomali gerektirmeksizin normal veri etrafında sıkı bir sınır öğrenen klasik Tek Sınıf Destek Vektör Makinesi anomali dedektörünü, SHAP veya LIME gibi sonradan açıklanabilirlik yöntemleriyle birleştirerek, her bir yenilik veya anomali skorunu hangi özelliklerin yönlendirdiğini ortaya çıkarır ve opak bir karar sınırını denetlenebilir, özelliğe atfedilebilir bir sinyale dönüştürür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Açıklanabilir Tek Sınıf Destek Vektör Makinesi'ni, ağırlıklı olarak normal eğitim verileriniz olduğunda ve etiketli anomali (veya çok az) olmadığında, ayrıca paydaşların bireysel gözlemlerin neden işaretlendiğini anlaması veya denetlemesi gerektiğinde kullanın — örneğin dolandırıcılık tespiti, tıbbi cihaz izleme, endüstriyel kalite kontrol veya siber güvenlik. Opak anomali dedektörlerinin kabul edilemez olduğu düzenlenmiş alanlarda özellikle değerlidir. Etiketli anomali örnekleri bol olduğunda (denetimli sınıflandırıcılar daha iyi performans gösterecektir), veri kümesi seyrek özelliklerle çok yüksek boyutlu olduğunda (çekirdek yöntemleri kötü ölçeklenir) veya geniş bir özellik kümesiyle gerçek zamanlı düşük gecikmeli puanlama gerektiğinde kullanmayın.
Güçlü yönler & sınırlılıklar
- Etiketli anomali örnekleri olmadan anomali tespit eder — eğitim için sadece normal veri gereklidir.
- Çekirdek hilesi, doğrusal yöntemlerin kaçırdığı karmaşık, doğrusal olmayan normal bölgeleri yakalamasını sağlar.
- SHAP atfı, opak çekirdek sınırını denetim izleri için uygun, özellik başına, örnek başına açıklamalara dönüştürür.
- Tek bir hiperparametre (nu), beklenen aykırı değer oranını doğrudan kontrol ederek kalibrasyonu sezgisel hale getirir.
- Açıklanabilirliğin yasal veya prosedürel bir gereklilik olduğu düzenlenmiş ortamlar (finans, sağlık, güvenlik) için çok uygundur.
- Çok büyük veri kümelerine kötü ölçeklenir — çekirdek matrisi hesaplaması bellekte O(n^2) ve eğitim süresinde O(n^3) karmaşıklığındadır.
- Çekirdek ve nu seçimine karşı oldukça hassastır; kötü seçimler ya çok fazla yanlış pozitif üretir ya da anomalileri kaçırır.
- SHAP açıklamaları özellik katkılarını yaklaşık olarak belirler ve büyük eğitim kümelerine sahip çekirdek modeller için hesaplama açısından pahalı olabilir.
- Çekirdek mesafesinin ayırt edici gücünü kaybettiği çok yüksek boyutlu uzaylarda (boyutluluk laneti) zorlanır.
SSS
Açıklanabilir Tek Sınıf Destek Vektör Makinesi'ni eğitmek için etiketli anomali örneklerine ihtiyacım var mı?
Hayır. Tek Sınıf Destek Vektör Makinesi sadece normal veriler üzerinde eğitilir. Etiketli anomaliler mevcutsa, denetimli bir sınıflandırıcı veya yarı denetimli bir yaklaşım kullanmayı düşünün, bunlar genellikle tek sınıflı bir dedektörden daha iyi performans gösterecektir.
Tek Sınıf Destek Vektör Makinesi ile hangi açıklanabilirlik yöntemi en iyi çalışır?
SHAP'ın KernelExplainer'ı modelden bağımsızdır ve herhangi bir OCSVM çekirdeğiyle çalışır, ancak büyük eğitim kümelerinde yavaştır. LIME daha hızlıdır ancak teorik olarak daha az sağlamdır. Küçük ila orta boyutlu veri kümeleri için KernelSHAP en prensipli seçimdir.
Nu hiperparametresini nasıl seçerim?
Nu, aykırı değerler (sınır dışındaki destek vektörleri) olarak ele alınacak eğitim örneklerinin oranının bir üst sınırıdır. Bunu, alan bilginize dayalı olarak kirlilik oranına ilişkin beklentinize göre ayarlayın. Mevcutsa, bilinen küçük bir anomali kümesi üzerinde çapraz doğrulama yapın veya bir değerler ızgarası üzerinde duyarlılık analizi gerçekleştirin.
Açıklanabilir Tek Sınıf Destek Vektör Makinesi, SHAP ile birlikte Isolation Forest'tan nasıl farklıdır?
Isolation Forest genellikle daha hızlıdır ve büyük veri kümelerine daha iyi ölçeklenir. Çekirdekli Tek Sınıf Destek Vektör Makinesi, daha pürüzsüz, daha karmaşık normal bölgeleri modelleyebilir ve nu'nun daha net bir olasılıksal yorumuyla sürekli bir skor sağlar. Her ikisi de SHAP tabanlı sonradan açıklamalarından benzer şekilde faydalanır.
OCSVM'den elde edilen SHAP değerlerine yüksek riskli kararlar için güvenilebilir mi?
SHAP değerleri, modelin anomali skoruna katkıları doğru bir şekilde atfeder, ancak modelin kendisi eğitim verilerinden yanıltıcı desenler öğrenmiş olabilir. Yüksek riskli durumlarda açıklamalara güvenmeden önce SHAP atfını alan uzmanı incelemesiyle birleştirin ve tutulan veriler üzerinde doğrulayın.
Kaynaklar
- Schölkopf, B., Williamson, R., Smola, A., Shawe-Taylor, J., & Platt, J. (1999). Support vector method for novelty detection. Advances in Neural Information Processing Systems, 12, 582–588. link ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/tr/machine-learning/explainable-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
- Yerel Aykırı Değer Faktörü (LOF)Makine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır