Для своєї дослідницької роботи я використовував один клас SVM , впроваджений у scikit-learn. Але я не розумію цього.
Може хто-небудь, будь ласка, дати просте, добре пояснення одного класу SVM ?
Для своєї дослідницької роботи я використовував один клас SVM , впроваджений у scikit-learn. Але я не розумію цього.
Може хто-небудь, будь ласка, дати просте, добре пояснення одного класу SVM ?
Відповіді:
Проблема, яку вирішує SVM One Class, як йдеться в документації, - це виявлення новинок . Оригінальний документ, що описує, як використовувати SVM для цього завдання, - " Підтримка векторного методу для виявлення новизни ".
Ідея виявлення новинок полягає у виявленні рідкісних подій, тобто подій, які трапляються рідко, а значить, у вас є дуже мало зразків. Проблема полягає в тому, що звичний спосіб навчання класифікатора не спрацює.
Тож як ти вирішиш, що таке візерунок роману ?. Багато підходів ґрунтуються на оцінці щільності ймовірності даних. Новизна відповідає тим зразкам, де щільність вірогідності "дуже низька". Наскільки низька, залежить від програми.
Тепер SVM - це методи максимальної границі, тобто вони не моделюють розподіл ймовірностей. Тут ідея полягає у тому, щоб знайти функцію, позитивну для регіонів з високою щільністю точок, а негативну - для малих густин.
Подрібнені деталі наведені в роботі. ;) Якщо ви дійсно маєте намір пройти документ, переконайтеся, що спочатку ви зрозуміли налаштування основного алгоритму SVM для класифікації. Це значно полегшить розуміння меж і мотивації алгоритму.
Ви можете використовувати SVM одного класу для певного конвеєра для активного навчання якимось напівконтрольним способом.
Наприклад: Оскільки SVM має справу з методом максимальної границі, як описано раніше, ви можете розглядати ці області меж як межі для певного класу та виконувати відновлення.