Mi az a One-Class SVM?

One-Class SVM egy gépi tanulási algoritmus, amelyet anomáliák és kiugró értékek felismerésére használnak. Általában egy osztály (általában normál példák) adataival tanítják, és megpróbál egy határt meghatározni, amely elválasztja ezeket az adatokat minden más lehetséges adatoktól.

A fő ötlet az, hogy megtaláljuk a jellemzők térképén azt a területet, ahol a normális adatok koncentrálódnak, és osztályozzuk az új objektumokat normálisnak, ha ebbe a területbe esnek, vagy anomáliának, ha kívül esnek.

Alkalmazások:

• Csalásdetektálás
• Berendezések monitorozása
• Szokatlan viselkedés felismerése

Példa Pythonban a scikit-learn könyvtár segítségével:

from sklearn.svm import OneClassSVM

# Tanító adatok (normál példák)
X_train = [[0, 0], [1, 1], [0.5, 0.5], [1, 0]]

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

# Új adatok ellenőrzése
X_test = [[0, 0], [2, 2]]
pred = model.predict(X_test)  # 1 — normál, -1 — anomália
print(pred)

Így a One-Class SVM segít az olyan objektumok azonosításában, amelyek jelentősen eltérnek a tanulási halmaztól.