Wat is One-Class SVM?

One-Class SVM is een machine learning-algoritme dat wordt gebruikt voor het detecteren van anomalieën en het identificeren van uitschieters. Het wordt getraind op gegevens van één klasse (meestal normale voorbeelden) en probeert een grens te bepalen die deze gegevens scheidt van alle andere mogelijke gegevens.

Het belangrijkste idee is om een gebied in de kenmerkenruimte te vinden waar de normale gegevens geconcentreerd zijn, en nieuwe objecten als normaal te classificeren als ze binnen dat gebied vallen, of als anomalieën als ze er buiten liggen.

Toepassingen:

• Fraudedetectie
• Apparatuurmonitoring
• Detectie van ongebruikelijk gedrag

Voorbeeld van gebruik in Python met de scikit-learn-bibliotheek:

from sklearn.svm import OneClassSVM

# Trainingsgegevens (normale voorbeelden)
X_train = [[0, 0], [1, 1], [0.5, 0.5], [1, 0]]

# Model maken
model = OneClassSVM(gamma='auto').fit(X_train)

# Nieuwe gegevens controleren
X_test = [[0, 0], [2, 2]]
pred = model.predict(X_test)  # 1 — normaal, -1 — anomalie
print(pred)

Op deze manier helpt One-Class SVM bij het identificeren van objecten die aanzienlijk verschillen van de trainingsset.