რა მეთოდები არსებობს ერთკლასიანი კლასიფიკაციისთვის?

ერთი კლასი კლასიფიკაცია (one-class classification) არის დავალება, სადაც მოდელი სწავლობს მხოლოდ ერთ კლასს (პოზიტიურს) ამოცნობას, ხოლო ყველა სხვა კლასი განიხილება როგორც ანომალიები ან უარყოფითი მაგალითები. ერთკლასიანი კლასიფიკაციის ძირითადი მეთოდები:

• One-Class SVM (მხარდაჭერის ვექტორული მანქანა ერთ კლასზე) — ქმნის საზღვარს, რომელიც გამოყოფს პოზიტიურ კლასის მონაცემებს სივრცის დანარჩენ ნაწილს და მაქსიმალურად ცდილობს მათ გამოყოფას საწყის წერტილიდან.

• Isolation Forest (გამოყოფის ტყე) — ალგორითმი, რომელიც იზოლირებს ანომალიებს შემთხვევით ხეებს აშენებით; ობიექტები, რომლებსაც ადვილია იზოლირება, ითვლება ანომალიებად.

• Autoencoder (ავტოკოდერი) — ნეირონული ქსელი, რომელიც სწავლობს შემოსულ მონაცემთა აღდგენას; ობიექტები, რომლებიც აღდგება დიდი შეცდომით, ითვლება ანომალიებად.

• Local Outlier Factor (LOF) — აფასებს მონაცემთა ადგილობრივ სიმჭიდროვეს და გამოყოფს დაბალი სიმჭიდროვის ობიექტებს როგორც ანომალიებს.

• Gaussian Mixture Models (GMM) — მოდელირებს პოზიტიურ კლასის მონაცემთა განაწილებას; ობიექტები, რომლებსაც დაბალი ალბათობა აქვთ, ითვლება ანომალიებად.

ყოველი მეთოდი აქვს თავისი უპირატესობები და გამოიყენება დავალებისა და მონაცემთა ბუნების მიხედვით.