Tek Sınıf SVM
One-Class Support Vector Machine (Novelty and Anomaly Detection) · Ayrıca şöyle bilinir: OCSVM, one-class support vector machine, novelty SVM, unsupervised SVM
Tek sınıf SVM, çekirdek ile indüklenmiş bir özellik uzayında normal eğitim verileri etrafında sıkı bir sınır öğrenen, bu sınırın dışına düşen yeni gözlemleri aykırı değerler olarak işaretleyen denetimsiz bir anomali ve yenilik tespit algoritmasıdır. Scholkopf ve ark. tarafından 1999-2001 yıllarında tanıtılan bu algoritma, etiketlenmiş anomali örneğinin bulunmadığı tek sınıf ayarına SVM çerçevesini genişletir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+18 tane daha
Ne zaman kullanılır
Etiketlenmiş anomali örneklerinin bulunmadığı veya çok seyrek olduğu ve normal davranış etrafında doğrusal olmayan bir sınır istediğinizde Tek Sınıf SVM kullanın — tipik olarak dolandırıcılık tespiti, izinsiz giriş tespiti, endüstriyel arıza izleme ve sürekli sayısal özelliklere sahip tıbbi yenilik taraması. Orta büyüklükteki veri kümelerinde (yüzlerce ila on binlerce örnek) ve doğrusal veya mesafeye dayalı dedektörlerin başarısız olduğu karmaşık şekilli normal dağılımlarda en iyi sonucu verir. Kaçının: eğitim seti çok büyükse (n > ~100.000), çünkü kuadratik çözüm kötü ölçeklenir; veriler büyük ölçüde kategorikse; veya hızlı, yorumlanabilir kurallar gerekiyorsa. Bu durumlarda Isolation Forest, Local Outlier Factor veya eşik tabanlı bir istatistiksel model tercih edin.
Güçlü yönler & sınırlılıklar
- Etiketlenmiş anomali örneği olmadan çalışır — yalnızca normal eğitim verileri gereklidir.
- Doğrusal olmayan çekirdek (tipik olarak RBF), mesafeye dayalı yöntemlerin kaçırdığı normalliğin karmaşık, eğimli sınırlarını yakalar.
- Nu parametresi, beklenen aykırı değer kesri üzerinde doğrudan, yorumlanabilir kontrol sağlar.
- Çekirdek hilesi aracılığıyla yüksek boyutlu özellik uzaylarına zarif bir şekilde ölçeklenir.
- Sürekli karar puanı, esnek aşağı akış eşik kalibrasyonu sağlar.
- İzinsiz giriş tespiti, arıza izleme ve tıbbi görüntüleme gibi yüksek riskli alanlarda kanıtlanmıştır.
- Kuadratik programlama çözücüsü, eğitim örneklerinde O(n^2) ila O(n^3) olarak ölçeklenir, bu da onu çok büyük veri kümeleri için pratik olmaktan çıkarır.
- Çekirdek ve hiperparametrelerinin (örn. RBF gamma) seçimine duyarlıdır; kötü seçimler ya çok sıkı ya da çok gevşek bir sınır üretir.
- Temiz normal eğitim verileri gerektirir — kirlenmiş eğitim setleri sınırı kaydırır ve yanlış negatif oranlarını artırır.
- Doğal olarak kalibre edilmiş olasılık tahminleri üretmez; karar puanı bir olasılık değildir.
- Yorumlanabilirlik sınırlıdır; belirli bir noktanın neden işaretlendiğini ek sonradan araçlar olmadan açıklamak zordur.
SSS
Anomali tespiti için Tek Sınıf SVM ile Isolation Forest arasındaki fark nedir?
Tek Sınıf SVM, normal veriler etrafında çekirdek tabanlı bir sınır öğrenir ve yüksek boyutlu, karmaşık şekilli dağılımlarda iyi performans gösterir, ancak veri kümesi boyutuna göre kötü ölçeklenir. Isolation Forest rastgele bölümleme kullanır ve büyük veri kümelerinde çok daha hızlıdır, ancak genellikle ince, doğrusal olmayan anomali desenlerine daha az duyarlıdır.
Nu parametresini nasıl seçmeliyim?
Nu'yu, eğitim gözlemlerinin ne kadarının kirlenmiş veya atipik olmasını beklediğiniz kesrine ayarlayın. Eğitim örneklerinizin %5'inden azının aykırı değer olduğuna inanıyorsanız, nu=0.05 ile başlayın. Yalnızca ızgara aramasına güvenmek yerine, sınır sıkılığını değerlendirmek için bilinen normal örneklerden oluşan ayrılmış bir küme kullanın.
Hangi çekirdeği kullanmalıyım?
RBF (Gauss) çekirdeği standart başlangıç noktasıdır ve çoğu sürekli sayısal veri kümesiyle iyi başa çıkar. RBF çekirdeğinin gamma hiperparametresi etki yarıçapını kontrol eder; log-aralıklı bir ızgara üzerinde çapraz doğrulama yapın. Doğrusal çekirdekler daha hızlıdır ancak sınırı bir hiperdüzlemle sınırlar.
Tek Sınıf SVM kategorik özellikleri işleyebilir mi?
Doğrudan değil. Kategorik değişkenler, mesafe metriği bozulmalarını ortaya çıkarabilecek şekilde sayısal olarak (örn. ikili veya sıralı kodlama) kullanılmadan önce kodlanmalıdır. Kategorik özelliklerin hakim olduğu veri kümeleri için bunun yerine Isolation Forest gibi ağaç tabanlı dedektörleri düşünün.
Eğitim setim bazı anomaliler içerebilir. Bu modeli bozar mı?
Kirlenmiş eğitim verileri sınırı dışarı doğru kaydırır ve modelin anormal desenleri normal olarak öğrenmesine neden olabilir. Tek Sınıf SVM, Isolation Forest'tan daha hassastır. Kirlenme şüphesi varsa, daha yüksek bir nu ile SVDD kullanmayı veya hızlı bir dedektörün ön geçişiyle eğitim setini temizlemeyi düşünün.
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. (2004). Support vector data description. Machine Learning, 54(1), 45–66. DOI: 10.1023/B:MACH.0000008084.60811.49 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). One-Class Support Vector Machine (Novelty and Anomaly Detection). ScholarGate. https://scholargate.app/tr/machine-learning/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