Dayanıklı Tek Sınıf Destek Vektör Makinesi
Robust One-Class Support Vector Machine · Ayrıca şöyle bilinir: Robust OCSVM, Outlier-robust One-Class SVM, Contamination-tolerant OCSVM, Robust novelty detection SVM
Dayanıklı Tek Sınıf Destek Vektör Makinesi (Robust One-Class SVM), eğitim verilerinde bulunan kalın kuyruklu gürültünün veya aykırı değerlerin etkisini azaltan — kırpılmış amaç fonksiyonları, sağlam çekirdek seçimleri veya kontaminasyona dayanıklı kayıp fonksiyonları gibi — sağlamlık mekanizmalarını birleştirerek yenilik ve anomali tespiti için klasik Tek Sınıf Destek Vektör Makinesi'ni genişletir ve normal sınıfın gerçek desteğini daha iyi temsil eden bir karar sınırı sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Dayanıklı Tek Sınıf Destek Vektör Makinesi'ni, tek bir normal sınıftan bol miktarda etiketlenmemiş veriniz olduğunda ve çıkarım zamanında yenilikleri veya anomalileri tespit etmek istediğinizde kullanın; özellikle eğitim kümesi, standart OCSVM'yi yanlı hale getirecek küçük bir aykırı değer oranıyla kirlenmiş olabileceğinde. Normal davranışın doğrusal olmayan bir manifoldda yer aldığı yüksek boyutlu sürekli verilere — sensör okumaları, görüntü gömüleri, ağ trafiği özellikleri — uygundur. Anomaliler biliniyor ve etiketlenmişse (denetimli sınıflandırıcılar veya ikili SVM daha uygunsa), veriler kategorik veya çok düşük boyutluysa (daha basit kurallar veya Isolation Forest yeterli olabilir), eğitim kontaminasyon oranı bilinmiyor ve yüksekse (sağlamlık garantileri zayıflar) veya yorumlanabilirlik ve açık katsayılar gözden geçirenler tarafından isteniyorsa kullanmayın.
Güçlü yönler & sınırlılıklar
- Karar sınırını aykırı değerlere doğru kaydırmadan, eğitim verilerindeki kontrollü bir kirletici oranına tolerans gösterir.
- Karmaşık normal sınıf geometrisini yakalayan esnek doğrusal olmayan sınırlara olanak tanıyan çekirdek hilesini miras alır.
- Tek sınıflı (denetimsiz) bir ortamda çalışır — eğitim için anomali etiketlerine gerek yoktur.
- Nu hiperparametresi, eğitim hatalarının ve destek vektörlerinin oranı üzerinde doğrudan, yorumlanabilir bir üst sınır sağlar.
- Sağlam varyantlar, eğitim saflığının garanti edilemediği gerçek dünya veri kümelerinde genellikle standart OCSVM'den daha iyi performans gösterir.
- Çekirdek ve bant genişliği seçimi kritik olmaya devam etmektedir: kötü seçilmiş bir çekirdek, sağlamlık mekanizmasından bağımsız olarak aşırı sıkı veya aşırı gevşek sınırlar üretebilir.
- Hesaplama maliyeti, örneklem büyüklüğü ile kötü ölçeklenir (kesin çözücüler için O(n^2) ila O(n^3)); büyük veri kümeleri için yaklaşık veya çevrimiçi varyantlar gereklidir.
- Kontaminasyon oranı (nu) önceden ayarlanmalıdır; eğer gerçek kontaminasyon varsayılandan çok daha yüksekse, sağlamlık garantileri bozulur.
- Kara kutu karar sınırı, bir noktanın neden anomali olarak işaretlendiğine dair doğrudan öznitelik düzeyinde bir açıklama sunmaz.
- Dikkatli öznitelik ön işleme veya boyut azaltma olmadan çok yüksek boyutlarda performans düşer.
SSS
Dayanıklı Tek Sınıf Destek Vektör Makinesi, standart Tek Sınıf Destek Vektör Makinesi'nden nasıl farklıdır?
Standart OCSVM, aşırı eğitim noktalarından hala büyük ölçüde etkilenebilen yumuşak marjlı bir amaç fonksiyonunu minimize eder. Dayanıklı varyantlar, optimizasyon sırasında bu aşırı noktaları kırpar, budar veya yeniden ağırlıklandırır, böylece sınıra daha az katkıda bulunurlar, bu da eğitim kümesi aykırı değerler içerdiğinde modeli daha kararlı hale getirir.
Nu parametresi neyi kontrol eder?
Nu, karar sınırının dışına düşebilecek (aykırı değer olarak kabul edilen) eğitim örneklerinin oranı üzerinde bir üst sınır ve destek vektörleri haline gelenlerin oranı üzerinde bir alt sınırdır. Sağlam varyantlarda, nu aynı zamanda modelin tolere etmek üzere tasarlandığı beklenen kontaminasyon oranıyla da ilişkilidir.
Dayanıklı Tek Sınıf Destek Vektör Makinesi mi yoksa Isolation Forest mı kullanmalıyım?
Isolation Forest genellikle daha hızlı, daha az parametre gerektiren ve çekirdek yaklaşımı olmadan büyük veri kümelerine ölçeklenebilen bir yöntemdir. Dayanıklı Tek Sınıf Destek Vektör Makinesi, normal sınıf sınırı doğrusal olmayan ve karmaşık olduğunda veya marj mesafesine dayalı prensipli, olasılıksal tarzda bir puanlamaya ihtiyacınız olduğunda öne çıkma eğilimindedir. Büyük veri kümeleri için Isolation Forest genellikle pratik ilk tercihtir.
Sağlam eğitim, anomali örnekleri üzerinde doğrulama ihtiyacını ortadan kaldırır mı?
Hayır. Sağlam eğitim, eğitim kontaminasyonuna karşı hassasiyeti azaltır, ancak hassasiyet, geri çağırma ve AUROC'u ölçmek için gerçek anomalileri içeren etiketli bir test kümesi üzerinde değerlendirme yapmaya devam etmelisiniz. Ayrılmış anomali örnekleri olmadan, sağlamlık iyileşmesinin gerçek olup olmadığını bilemezsiniz.
Uyumlamadan önce verileri nasıl ön işlemeliyim?
Tüm sürekli öznitelikleri ölçeklendirin (örneğin, StandardScaler veya MinMaxScaler), çünkü çekirdek uzayındaki OCSVM mesafeleri öznitelik büyüklüklerine bağlıdır. Örneklem büyüklüğüne göre öznitelik sayısı çok yüksekse boyutu azaltın ve eğitim kümesi anomali oranının seçilen nu değerinin oldukça altında olduğunu doğrulayın.
Kaynaklar
- Scholkopf, B., Williamson, R., Smola, A., Shawe-Taylor, J., & Platt, J. (1999). Support vector method for novelty detection. Advances in Neural Information Processing Systems (NeurIPS), 12, 582–588. link ↗
- Liu, Y., Li, Z., & Zhou, C. (2018). Roseq: Robust and efficient one-class SVM for large-scale novelty detection. IEEE Transactions on Neural Networks and Learning Systems, 29(12), 6290–6304. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust One-Class Support Vector Machine. ScholarGate. https://scholargate.app/tr/machine-learning/robust-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
- Sağlam İzolasyon OrmanıMakine öğrenmesi↔ karşılaştır
- Sağlam Destek Vektör MakinesiMakine öğrenmesi↔ karşılaştır