Какие методы одноклассовой классификации существуют?

Одноклассовая классификация (one-class classification) — это задача, когда модель обучается распознавать объекты только одного класса (положительного), а все остальные считаются аномалиями или отрицательными примерами. Основные методы одноклассовой классификации:

• One-Class SVM (Support Vector Machine) — строит границу, отделяющую данные положительного класса от остального пространства, пытаясь максимально отделить их от начала координат.

• Isolation Forest — алгоритм, который изолирует аномалии, строя случайные деревья; объекты, которые легче изолировать, считаются аномалиями.

• Autoencoder (автокодировщик) — нейросеть, обученная восстанавливать входные данные; объекты, которые восстанавливаются с большой ошибкой, считаются аномалиями.

• Local Outlier Factor (LOF) — оценивает локальную плотность данных и выделяет объекты с низкой плотностью как аномалии.

• Gaussian Mixture Models (GMM) — моделируют распределение данных положительного класса; объекты с низкой вероятностью считаются аномалиями.

Каждый метод имеет свои преимущества и применяется в зависимости от задачи и характера данных.