Que métodos de classificação de um só classe existem?

A classificação de uma só classe (classificação de uma só classe) é uma tarefa em que o modelo é treinado para reconhecer apenas uma classe (positiva), e todas as outras são consideradas anomalias ou exemplos negativos. Os principais métodos de classificação de uma só classe:

• One-Class SVM (Máquina de Vetores de Suporte de uma só classe) — constrói uma fronteira que separa os dados da classe positiva do resto do espaço, tentando separá-los ao máximo da origem.

• Isolation Forest (Floresta de Isolamento) — algoritmo que isola anomalias construindo árvores aleatórias; objetos mais fáceis de isolar são considerados anomalias.

• Autoencoder (autoencoder) — rede neural treinada para reconstruir os dados de entrada; objetos que se reconstruem com um grande erro são considerados anomalias.

• Local Outlier Factor (LOF) — avalia a densidade local dos dados e destaca objetos com baixa densidade como anomalias.

• Gaussian Mixture Models (GMM) — modelam a distribuição dos dados da classe positiva; objetos com baixa probabilidade são considerados anomalias.

Cada método tem suas vantagens e é aplicado dependendo da tarefa e da natureza dos dados.