网站怎么添加滤镜功能吗,wordpress d8主题,跨境商旅客户ppt,泰安哪里可以做网站系列文章目录
Python异常检测- Isolation Forest#xff08;孤立森林#xff09; python异常检测 - 随机离群选择Stochastic Outlier Selection (SOS) python异常检测-局部异常因子#xff08;LOF#xff09;算法 Python异常检测- DBSCAN 文章目录 系列文章目录前言一、On…系列文章目录
Python异常检测- Isolation Forest孤立森林 python异常检测 - 随机离群选择Stochastic Outlier Selection (SOS) python异常检测-局部异常因子LOF算法 Python异常检测- DBSCAN 文章目录 系列文章目录前言一、One-Class SVM原理二、One-Class SVM实现步骤三、优缺点四、应用场景五、python实现 前言
单类支持向量机(One-Class SVM与传统支持向量机SVM不同是一种非监督的学习算法。您可以使用One-Class SVM异常检测通过学习边界对异常点进行预测。
一、One-Class SVM原理
One-Class SVMSupport Vector Machine是一种无监督学习算法用于异常检测和离群点检测。它的原理基于支持向量机的思想,旨在通过构建一个边界来区分正常样本和异常样本。具体是通过构建一个只包含正常样本的决策边界来识别异常样本One-Class SVM的目标是在特征空间中找到一个最优的超平面使得正常样本尽可能靠近超平面而异常样本远离超平面。 One-Class SVM的原理表明One-Class SVM 的核心在于选择合适的超平面以确保正常数据被尽可能包围而异常数据则尽量远离。为达到这一目标需要通过优化目标函数来实现的从而实现最小化超平面到最近正常数据点的距离同时最大化超平面与正常数据之间的距离。 对于一组二维数据One-Class SVM的目标即就是寻找一个超平面将样本中的正例圈出来-当然实际是使用的情况下维数不可能这么低。
二、One-Class SVM实现步骤
One-Class SVM通过构造原点与单类训练数据之间的超平面进而可以判断测试数据与单类训练数据之间相似与否并通过测试集数据与单类训练数据相似性来将其标记为1相似或-1不相似。其具体实现步骤如下
数据映射-- 核函数 将正常数据映射到高维特征空间中使得正常数据点能够被一个超平面所包围。这个超平面被称为决策边界通过使用核函数来实现One-Class SVM在原始特征空间中找到非线性分割超平面一般常用的核函数包括线性核、多项式核和高斯核。寻找最优超平面 通过最大化超平面与正常数据之间的间隔寻找一个最优的分割超平面使得异常点尽可能远离该超平面。正常数据点尽量被包围并且能离该超平面边界越远越好。 支持向量是离分割超平面最近的正常样本点它们决定了分割超平面的位置和方向。One-Class SVM通过选择最优的支持向量以使分割超平面最大化远离正常样本。异常检测 对于新的数据点通过计算其与超平面的距离来判断该数据点是否为异常。距离较大的数据点更有可能是异常点。
下图展示了一个使用OneClassSVM进行异常检测随机生成的数据生成训练样本X_train后创建并训练OneClassSVM模型clf来对生成测试样本X_test预测异常情况的可视化展示包含绘制训练样本、测试样本和异常边界展示了异常检测的结果。
三、优缺点
One-Class SVM的优点包括
不需要异常数据进行训练只需要正常数据即能够有效地识别异常点或者精准地描绘数据的分布边界对于高维数据和复杂的数据分布具有较好的适应性可以通过调整模型参数来控制异常点的检测灵敏度算法简单易于实现。
然而One-Class SVM也有一些限制
不适合处理具有多个类别的数据集。在处理高维数据和大规模数据时计算复杂度较高。对于类内的数据噪声敏感噪声太大时可能会过度泛化。对于数据分布不均匀或存在噪声的情况效果可能不理想。不提供关于支持向量的解释信息难以理解模型决策过程。
四、应用场景
One_Class SVM在异常检测领域有广泛的应用 网络安全 检测网络中的异常行为如入侵检测。它可以识别与正常网络流量不同的异常流量模式从而提高网络安全性。 金融欺诈检测 检测信用卡欺诈、异常交易和洗钱行为。它可以识别与正常交易模式不符的异常交易。 工业制造 监测工业制造中的设备异常和故障。它可以帮助预测设备可能出现的问题从而减少停机时间和维修成本。 医疗诊断 检测医疗图像中的异常如肿瘤、病变和异常组织。它有助于提高医学诊断的准确性
五、python实现
首先许哟啊确保安装了scikit-learn库没有安装的话可以通过如下指令安装
pip install scikit-learn然后通过如下Python代码来实现One-Class SVM的算法测试
from sklearn import svm
from sklearn.datasets import make_blobs
import numpy as np# 创建一个数据集
X, _ make_blobs(n_samples100, centers[[0, 0]], cluster_std0.5)# 初始化 One-Class SVM 模型
# nu 参数决定了支持向量的数量和训练误差的上限比例
# gamma 是 RBF 内核的系数 (1 / (2 * sigma^2))
clf svm.OneClassSVM(nu0.1, kernelrbf, gamma0.1)# 训练模型
clf.fit(X)# 对新的数据点进行预测
new_data np.array([[0.5, 0.5], [4.0, 4.0]])
predictions clf.predict(new_data)# 输出预测结果
print(Predictions:, predictions)
print(Predicted labels: 1 for normal, -1 for outliers)# 查看支持向量
support_vectors clf.support_vectors_
print(Support vectors:\n, support_vectors)参考资料
什么是One-Class SVM One-Class SVM详解 One-Class SVM异常检测
