Araştırma çalışmalarım için scikit-learn uygulamasında bir sınıf SVM kullanıyordum . Ama bunu iyi anlayamadım.
Herkes bir sınıf SVM hakkında basit ve iyi bir açıklama verebilir misiniz?
Araştırma çalışmalarım için scikit-learn uygulamasında bir sınıf SVM kullanıyordum . Ama bunu iyi anlayamadım.
Herkes bir sınıf SVM hakkında basit ve iyi bir açıklama verebilir misiniz?
Yanıtlar:
Belgelerin dediği gibi, One Class SVM'nin ele aldığı sorun yenilik tespitidir . Bu görev için SVM'lerin nasıl kullanılacağını açıklayan orijinal makale " Yenilik Tespiti için Destek Vektör Metodu " dur .
Yenilik algılama fikri, nadir olayları, yani nadiren gerçekleşen ve dolayısıyla çok az örneğiniz olan olayları tespit etmektir. Sorun şu ki, bir sınıflandırıcıyı alıştırmanın normal yolu çalışmaz.
Peki yeni bir desenin ne olduğuna nasıl karar veriyorsunuz? Birçok yaklaşım, veri için olasılık yoğunluğunun tahminine dayanmaktadır. Yenilik, olasılık yoğunluğunun "çok düşük" olduğu örneklere karşılık gelir. Ne kadar düşük uygulama bağlıdır.
Şimdi, SVM'ler maksimum marj yöntemleridir, yani bir olasılık dağılımını modellemezler. Burada fikir yüksek nokta yoğunluğuna sahip bölgeler için pozitif ve küçük yoğunluklar için negatif olan bir fonksiyon bulmaktır.
Cesur ayrıntılar makalede verilmiştir. ;) Makaleyi gerçekten gözden geçirmek istiyorsanız, önce sınıflandırma için temel SVM algoritmasının ayarlarını anladığınızdan emin olun. Algoritmanın sınırlarını ve motivasyonunu anlamak çok daha kolay olacaktır.
Bir Sınıf SVM'yi Aktif Öğrenme için bazı boru hatları için yarı denetimli bir şekilde kullanabilirsiniz.
Örnek: SVM, daha önce açıklandığı gibi bir maksimum marj yöntemiyle uğraştığından, bu marj bölgelerini belirli bir sınıf için sınır olarak düşünebilir ve yeniden etiketlemeyi gerçekleştirebilirsiniz.