Qu'est-ce que le One-Class SVM?

One-Class SVM est un algorithme d'apprentissage automatique utilisé pour la détection d'anomalies et l'identification de valeurs aberrantes. Il s'entraîne sur des données d'une seule classe (généralement des exemples normaux) et tente de définir une frontière qui sépare ces données de toutes les autres possibles.

L'idée principale est de trouver une région dans l'espace des caractéristiques où se concentrent les données normales, et de classer de nouveaux objets comme normaux s'ils tombent dans cette région, ou comme anomalies s'ils en sont en dehors.

Applications:

• Détection de fraude
• Surveillance d'équipement
• Détection de comportements inhabituels

Exemple d'utilisation en Python avec la bibliothèque scikit-learn:

from sklearn.svm import OneClassSVM

# Données d'entraînement (exemples normaux)
X_train = [[0, 0], [1, 1], [0.5, 0.5], [1, 0]]

# Création du modèle
model = OneClassSVM(gamma='auto').fit(X_train)

# Vérification de nouvelles données
X_test = [[0, 0], [2, 2]]
pred = model.predict(X_test)  # 1 — normales, -1 — anomalies
print(pred)

Ainsi, One-Class SVM aide à identifier les objets qui diffèrent de manière significative de l'ensemble d'apprentissage.