Kādi vienkāršas klases klasifikācijas metodes pastāv?

Vienas klases klasifikācija (one-class classification) ir uzdevums, kurā modelis tiek apmācīts atpazīt tikai vienu klasi (pozitīvu), bet visas pārējās tiek uzskatītas par anomālijām vai negatīviem piemēriem. Galvenās vienas klases klasifikācijas metodes:

• One-Class SVM (Vienas klases atbalsta vektoru mašīna) — izveido robežu, kas atdala pozitīvās klases datus no pārējās telpas, cenšoties maksimāli atdalīt tos no sākuma punkta.

• Isolation Forest (Izolācijas mežs) — algoritms, kas izolē anomālijas, būvējot nejaušus kokus; objektus, kuriem ir vieglāk izolēt, uzskata par anomālijām.

• Autoencoder (Autoenkoders) — neironu tīkls, kas apmācīts atjaunot ievades datus; objekti, kuri tiek atjaunoti ar lielu kļūdu, tiek uzskatīti par anomālijām.

• Local Outlier Factor (LOF) — novērtē vietējo datu blīvumu un izceļ objektus ar zemu blīvumu kā anomālijas.

• Gaussian Mixture Models (GMM) — modelē pozitīvās klases datu sadalījumu; objekti ar zemu varbūtību tiek uzskatīti par anomālijām.

Katram metodam ir savas priekšrocības, un tās tiek pielietotas atkarībā no uzdevuma un datu rakstura.