Yarı Denetimli Tek Sınıf Destek Vektör Makinesi (One-class SVM)
Semi-supervised One-Class Support Vector Machine · Ayrıca şöyle bilinir: SS-OCSVM, semi-supervised OC-SVM, semi-supervised novelty detection SVM, transductive one-class SVM
Yarı Denetimli Tek Sınıf Destek Vektör Makinesi (Semi-supervised One-class SVM), klasik Tek Sınıf Destek Vektör Makinesi (One-class SVM) anomali dedektörünü, bilinen az sayıda normal örneğin yanı sıra etiketlenmemiş gözlemleri de dahil ederek genişletir. Etiketlenmemiş veriler, modelin özellik uzayında daha sıkı, daha bilgilendirici bir karar sınırı öğrenmesine yardımcı olarak, tamamen denetimsiz temel duruma kıyasla yanlış pozitifleri azaltır ve anomali geri çağırmayı iyileştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Anomalilerin nadir olduğu, tüm verileri etiketlemenin çok maliyetli olduğu, ancak küçük bir onaylanmış-normal başlangıç kümesinin mevcut olduğu durumlarda Yarı Denetimli Tek Sınıf Destek Vektör Makinesi'ni (Semi-supervised One-class SVM) seçin — örneğin ağa sızma tespiti, tıbbi görüntüleme kalite kontrolü veya üretim hatası taraması. Etiketli başlangıç kümesi temiz ve etiketlenmemiş havuz büyük ve normal davranışı temsil ediyorsa, denetimsiz OC-SVM'den daha iyi performans gösterir. Etiketli başlangıç kümesi gürültülü veya yanlı olduğunda, etiketlenmemiş havuzdaki anomali oranı yüksek olduğunda (kabaca %10-20'nin üzerinde), birçok onaylanmış anomali örneğiniz olduğunda (denetimli SVM veya topluluk yöntemleri daha iyidir) veya yorumlanabilirlik ve açık katsayılar gözden geçirenler tarafından istendiğinde kullanmayın.
Güçlü yönler & sınırlılıklar
- Pahalı tam açıklama gerektirmeden sınır kalitesini iyileştirmek için bol miktarda etiketlenmemiş veriden yararlanır.
- Standart Tek Sınıf Destek Vektör Makinesi'nin (One-class SVM) çekirdek esnekliğini miras alır, doğrusal olmayan normal veri manifoldlarını yakalar.
- Temiz bir etiketli başlangıç kümesi mevcut olduğunda, tamamen denetimsiz OC-SVM'den daha iyi kalibre edilmiş anomali skorları.
- Normal verilerin kompakt kümeler oluşturduğu yüksek boyutlu özellik uzaylarında iyi çalışır.
- Anomali skoru büyüklüğü, önceliklendirme ve sıralama için doğal bir güven sıralaması sağlar.
- Etiketli başlangıç kümesi küçük, gürültülü veya gerçek normal davranışı temsil etmiyorsa performans keskin bir şekilde düşer.
- Etiketlenmemiş havuzdaki yüksek kirlilik oranları, sözde etiket kaymasına ve sınır bozulmasına neden olur.
- Karesel programlama kötü ölçeklenir: standart SVM çözücüleri on binlerce gözlemin üzerinde zorlanır.
- Dikkatli çekirdek ve nu hiperparametre ayarı gerektirir; varsayılanlar nadiren optimal sınırlar verir.
- İteratif sözde etiketleme, uygulama karmaşıklığı ekler ve prensipli durdurma kriterleri gerektirir.
SSS
Etiketli başlangıç kümesi ne kadar büyük olmalı?
Pratikte, birkaç düzine onaylanmış-normal örnek bile faydalı bir sınır başlatabilir, ancak etiketli küme normal davranışın ana modlarını kapsamalıdır. Başlangıç kümesi yaklaşık 20-30 gözlemden küçükse, başlangıç sınırı güvenilmez olacak ve sözde etiket hataları birikecektir.
Etiketlenmemiş havuz anomalilerle yoğun bir şekilde kirlenmişse ne olur?
Yüksek kirlilik (kabaca %10-20'nin üzerinde anomali), iteratif iyileştirmenin anomalileri kademeli olarak normal sınıfa dahil etmesine ve sınırı bozmasına neden olur. Bu gibi durumlarda, daha düşük bir sözde etiket kabul eşiği kullanın, birden çok çalıştırma arasında topluluk oylaması uygulayın veya yalnızca etiketli başlangıç kümesi üzerinde tamamen denetimli Tek Sınıf Destek Vektör Makinesi'ne (One-class SVM) geri dönün.
Çekirdek ve nu parametresini nasıl seçerim?
RBF çekirdeği standart varsayılandır; bant genişliğini (gamma) nu ile birlikte etiketli küme üzerinde çapraz doğrulama kullanarak ayarlayın. Nu, eğitim hatalarının üst sınırını ve destek vektörlerinin oranını kontrol eder — biliniyorsa kabaca beklenen anomali oranına ayarlayın.
Bu, transdüktif bir SVM'den (S3VM) farklı mı?
Evet. Transdüktif SVM (S3VM), her iki sınıfın da kısmen etiketlendiği yarı denetimli ikili sınıflandırma yapar. Yarı Denetimli Tek Sınıf Destek Vektör Makinesi (Semi-supervised One-class SVM) anomali tespitini ele alır: yalnızca normal sınıf etiketlerini kullanır ve etiketlenmemiş gözlemleri potansiyel normaller olarak ele alır, sınıflandırılacak ikinci bir sınıf olarak değil.
Bu yöntemi büyük ölçekte kullanabilir miyim?
Standart SVM çözücüleri O(n^2) ila O(n^3) karmaşıklığa sahiptir. Yaklaşık 50.000 gözlemin üzerindeki veri kümeleri için, yaklaşık çözücüler (örneğin, SGD tabanlı çevrimiçi güncellemeler, Nystrom veya rastgele Fourier özellikleri aracılığıyla çekirdek yaklaşımları) kullanın veya Isolation Forest veya derin otoenkoder tabanlı anomali dedektörleri gibi ölçeklenebilir alternatiflere geçin.
Kaynaklar
- Munoz, A. & Muruzabal, J. (2004). Self-Organising Maps for Outlier Detection. Neurocomputing, 58–60, 953–956. link ↗
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised One-Class Support Vector Machine. ScholarGate. https://scholargate.app/tr/machine-learning/semi-supervised-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
- Gauss SüreciMakine öğrenmesi↔ karşılaştır
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır