异常数据检测 | Python实现oneclassSVM模型异常数据检测

算法如诗

已于 2023-11-29 22:41:53 修改

阅读量502

点赞数

分类专栏：异常数据检测文章标签： python 开发语言 oneclassSVM

于 2023-11-29 22:35:10 首次发布

本文链接：https://blog.csdn.net/qq_59771180/article/details/134700921

版权

异常数据检测专栏收录该内容

15 篇文章 59 订阅 ¥29.90 ¥99.00

订阅专栏

本文介绍了如何使用Python中的OneClassSVM算法进行异常检测。OneClassSVM通过学习高密度区域来区分正常和异常值，特别适用于无监督学习场景。在训练模型时，设置合适的nu参数和RBF核函数的gamma值至关重要。通过示例展示了如何对数据进行预处理、训练模型，并根据预测结果识别异常值。

摘要由CSDN通过智能技术生成

支持向量机(SVM)的异常检测
SVM通常应用于监督式学习，但OneClassSVM[8]算法可用于将异常检测这样的无监督式学习，它学习一个用于异常检测的决策函数其主要功能将新数据分类为与训练集相似的正常值或不相似的异常值。
OneClassSVM
OneClassSVM的思想来源于这篇论文[9],SVM使用大边距的方法，它用于异常检测的主要思想是:将数据密度较高的区域分类为正，将数据密度较低的区域分类为负,如下图所示:

在这里插入图片描述
在训练OneClassSVM模型时，我们需要设置参数nu = outliers_fraction，它是训练误差分数的上限和支持向量分数的下限，并且必须在0和1之间。基本上它代表了我们期望的异常值在我们的数据集中的比例。
指定要在算法中使用的核类型：rbf。它使SVM能够使用非线性函数将超空间投影到更高维度。
gamma是RBF内核类型的参数，并控制各个训练样本的影响 - 这会影响模型的“平滑度”。
predict 对数据进行分类，因为我们的模型是单类模型，所以返回+1或-1，-1表示是异常值，1表示是正常值。