Çevrimiçi Tek Sınıf Destek Vektör Makinesi (Online One-Class SVM)
Online One-Class Support Vector Machine · Ayrıca şöyle bilinir: Online OC-SVM, Incremental One-Class SVM, Online SVDD, Sequential One-Class SVM
Çevrimiçi Tek Sınıf Destek Vektör Makinesi, klasik Tek Sınıf Destek Vektör Makinesi'nin artımlı bir uzantısıdır. Yeni veriler tek tek geldikçe karar sınırını güncelleyerek, sıfırdan yeniden eğitim yapmaya gerek kalmadan akış ortamları ve gerçek zamanlı anomali veya yenilik tespiti için uygun hale gelir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veriler akış halinde geldiğinde ve normal sınıf iyi tanımlanmış ancak anomaliler nadir, etiketsiz veya öngörülemez olduğunda Çevrimiçi Tek Sınıf Destek Vektör Makinesi'ni kullanın — örneğin, izinsiz giriş tespiti, sensör arıza tespiti veya kredi kartı sahtekarlığı izleme. Orta boyutlu sürekli öznitelik uzaylarına ve normallik dağılımının zamanla değişebileceği durumlara uygundur. Veriler çok yüksek boyutlu olduğunda (çekirdek matrisi büyür), tam geçmiş yeniden eğitimi mümkün olduğunda veya açık bir iki sınıflı sınır öğrenilebildiğinde bundan kaçının; bu durumlarda, tam yığın Tek Sınıf Destek Vektör Makinesi, Isolation Forest veya denetimli bir sınıflandırıcı daha iyi alternatiflerdir.
Güçlü yönler & sınırlılıklar
- Verileri tam yeniden eğitim yapmadan artımlı olarak işler, bu da onu gerçek zamanlı ve akış uygulamaları için pratik hale getirir.
- Çekirdek tabanlı doğrusal olmayan sınırlar da dahil olmak üzere Tek Sınıf Destek Vektör Makinesi'nin güçlü teorik temellerini miras alır.
- Nu hiperparametresi, eğitim verilerindeki beklenen aykırı değer oranı üzerinde sezgisel kontrol sağlar.
- Kavram kaymasına uyarlanabilir: normallik dağılımı zamanla değiştikçe sınır güncellenir.
- Temel veri dağılımı hakkında varsayım yapmaz (çekirdek anlamında parametrik değildir).
- Güncelleme başına hesaplama maliyeti, budama stratejileri olmadan sınırsız büyüyebilen destek vektörlerinin sayısıyla ölçeklenir.
- Çekirdek seçimine ve hiperparametrelerine (RBF için gama) duyarlıdır, dikkatli ayarlama gerektirir.
- Çekirdek öznitelik uzayındaki boyutluluk laneti nedeniyle çok yüksek boyutlu uzaylarda performans düşer.
- Doğru başlatma için temiz, anomalisiz (veya neredeyse anomalisiz) bir başlangıç kümesi gerektirir.
SSS
Çevrimiçi Tek Sınıf Destek Vektör Makinesi, standart yığın Tek Sınıf Destek Vektör Makinesi'nden nasıl farklıdır?
Standart Tek Sınıf Destek Vektör Makinesi, sabit bir veri kümesi üzerinde bir kez eğitilir. Çevrimiçi varyant, her yeni örnek geldiğinde destek vektörlerini ve karar sınırını artımlı olarak ayarlar, bu da onu tam yeniden eğitim yapmadan akış verileri için uygun hale getirir.
Nu parametresi neyi kontrol eder?
Nu, sınırın dışında kalabilecek eğitim noktalarının (potansiyel aykırı değerler) oranı için bir üst sınır ve destek vektörleri olan noktaların oranı için bir alt sınırdır. Daha küçük bir nu, daha sıkı bir sınır oluşturur; daha büyük bir nu, daha fazla eğitim noktasının aykırı değer olarak ele alınmasına izin verir.
Büyüyen destek vektörü kümesini nasıl yönetmeliyim?
Bütçe yönetimi olmadan, destek vektörü kümesi akışla birlikte büyür, bu da bellek ve hesaplama maliyetini artırır. Pratik uygulamalar, en az etkili destek vektörlerini birleştirerek veya kaldırarak bütçeyi sınırlar — bu adım çoğu kütüphanede açıkça yapılandırılmalıdır.
Çevrimiçi Tek Sınıf Destek Vektör Makinesi, ham metin veya görüntüler gibi yüksek boyutlu veriler için uygun mudur?
Genellikle doğrudan uygun değildir: çekirdek yöntemleri boyutlulukla kötü ölçeklenir. Yaygın bir geçici çözüm, önce PCA veya bir otoenkoder aracılığıyla boyutluluğu azaltmak ve ardından kompakt gösterim üzerinde Çevrimiçi OC-SVM uygulamaktır.
Hangi değerlendirme metriğini kullanmalıyım?
Anomaliler nadir olduğu için doğruluk yanıltıcıdır. Farklı tespit eşiklerinde performansın dürüst bir resmini veren AUROC (ROC eğrisi altındaki alan) ve kesinlik-geri çağırma eğrisini kullanın.
Kaynaklar
- Laskov, P., Gehl, C., Krueger, S., & Muller, K.-R. (2006). Incremental support vector learning: Analysis, implementation and applications. Journal of Machine Learning Research, 7, 1909–1936. link ↗
- Scholkopf, B., Williamson, R., Smola, A., Shawe-Taylor, J., & Platt, J. (1999). Support vector method for novelty detection. Advances in Neural Information Processing Systems (NIPS), 12, 582–588. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online One-Class Support Vector Machine. ScholarGate. https://scholargate.app/tr/machine-learning/online-one-class-svm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Otomatik kodlayıcıDerin öğrenme↔ karşılaştır
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- Yerel Aykırı Değer Faktörü (LOF)Makine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır