Welke methoden voor eendelige classificatie bestaan er?

One-class classificatie (één-klasse classificatie) is een taak waarbij het model getraind wordt om alleen objecten van één klasse (positief) te herkennen, terwijl alle andere als anomalieën of negatieve voorbeelden worden beschouwd. De belangrijkste methoden voor one-class classificatie:

• One-Class SVM (Support Vector Machine) — bouwt een grens die de gegevens van de positieve klasse scheidt van de rest van de ruimte, met als doel ze zo veel mogelijk van de oorsprong te scheiden.

• Isolation Forest (Isolatiebos) — algoritme dat anomalieën isoleert door het bouwen van willekeurige bomen; objecten die gemakkelijker te isoleren zijn, worden als anomalieën beschouwd.

• Autoencoder (autoencoder) — een neuraal netwerk dat getraind is om de invoergegevens te reconstrueren; objecten die met grote fout worden gereconstrueerd, worden als anomalieën beschouwd.

• Local Outlier Factor (LOF) — beoordeelt de lokale dichtheid van gegevens en markeert objecten met lage dichtheid als anomalieën.

• Gaussian Mixture Models (GMM) — modelleren de verdeling van de gegevens van de positieve klasse; objecten met lage waarschijnlijkheid worden als anomalieën beschouwd.

Elke methode heeft zijn eigen voordelen en wordt toegepast afhankelijk van de taak en de aard van de gegevens.