基于SVM的异常检测方法

作者|Mahbubul Alam 编译|VK 来源|Towards Data Science

单类支持向量机简介

作为机器学习方面的专家或新手，你可能听说过支持向量机（SVM）——一种经常被引用和用于分类问题的有监督的机器学习算法。

支持向量机使用多维空间中的超平面来分离一类观测值和另一类观测值。当然，支持向量机被用来解决多类分类问题。

然而，支持向量机也越来越多地应用于一类问题，即所有的数据都属于一个类。在这种情况下，算法被训练成学习什么是“正常的”，这样当一个新的数据被显示时，算法可以识别它是否应该属于正常的。如果没有，新数据将被标记为异常或异常。要了解更多关于单类支持向量机的信息，请查看Roemer Vlasveld的这篇长篇文章：http://rvlasveld.github.io/blog/2013/07/12/introduction-to-one-class-support-vector-machines/

最后要提到的是，如果你熟悉sklearn库，你会注意到有一种算法专门为所谓的“新颖性检测”而设计。它的工作方式与我刚才在使用单类支持向量机的异常检测中描述的方法类似。在我看来，只是上下文决定了是否将其称为新颖性检测或异常值检测或诸如此类的名称。

下面是Python编程语言中单类支持向量机的简单演示。请注意，我交替使用离群值和异常值。

<