Was ist One-Class SVM?

One-Class SVM ist ein Algorithmus des maschinellen Lernens, der zur Erkennung von Anomalien und Ausreißern verwendet wird. Er wird auf Daten einer einzigen Klasse (meist normale Beispiele) trainiert und versucht, eine Grenze zu definieren, die diese Daten von allen anderen möglichen trennt.

Die Hauptidee ist, einen Bereich im Merkmalsraum zu finden, in dem sich die normalen Daten konzentrieren, und neue Objekte als normal zu klassifizieren, wenn sie in diesen Bereich fallen, oder als Anomalien, wenn sie außerhalb liegen.

Anwendungen:

• Betrugserkennung
• Überwachung von Geräten
• Erkennung ungewöhnlichen Verhaltens

Beispiel für die Verwendung in Python mit der scikit-learn-Bibliothek:

from sklearn.svm import OneClassSVM

# Trainingsdaten (normale Beispiele)
X_train = [[0, 0], [1, 1], [0.5, 0.5], [1, 0]]

# Modell erstellen
model = OneClassSVM(gamma='auto').fit(X_train)

# Neue Daten prüfen
X_test = [[0, 0], [2, 2]]
pred = model.predict(X_test)  # 1 — normal, -1 — Anomalien
print(pred)

Auf diese Weise hilft One-Class SVM, Objekte zu erkennen, die sich wesentlich vom Trainingssatz unterscheiden.