One-Class desteği vektör makinesi

Anomali algılama için bir sınıf desteği vektör makine modeli oluşturur

Kategori: anomali algılama

Not

Için geçerlidir: Machine Learning Studio (klasik)

Bu içerik yalnızca Studio (klasik) ile ilgili. Benzer sürükle ve bırak modülleri bir tasarımcıya Azure Machine Learning eklendi. İki sürümü karşılaştıran bu makalede daha fazla bilgi bulabilirsiniz.

Modüle genel bakış

Bu makalede, bir anomali algılama modeli oluşturmak için Azure Machine Learning ' de tek sınıf destek vektör modeli modülünün nasıl kullanılacağı açıklanır.

Bu modül özellikle çok sayıda "normal" veriniz olduğu ve algılamaya çalıştığınız anormalilerin birçok durumu olmayan senaryolarda faydalıdır. Örneğin, sahte işlemleri tespit etmeniz gerekiyorsa, tipik bir sınıflandırma modelini eğitebilmeniz için kullanabileceğiniz çok sayıda sahtekarlık örneğine sahip olmayabilirsiniz, ancak çok sayıda iyi işlem örneği olabilir.

Modeli oluşturmak için tek sınıflı destek vektör modeli modülünü kullanın ve ardından eğitim anomali algılama modelinikullanarak modeli eğitme. Eğitim için kullandığınız veri kümesi, tüm veya çoğunlukla normal durumları içerebilir.

Daha sonra olası anormallikleri belirlemek için farklı ölçümler uygulayabilirsiniz. Örneğin, sahte işlemleri temsil eden durumları belirlemek için büyük bir işlem veri kümesi kullanabilirsiniz.

Tek sınıf bir SVM hakkında daha fazla bilgi

Destek vektör makineleri (SVMs), verileri çözümleyen ve desenleri tanıyan ve hem sınıflandırma hem de gerileme görevleri için kullanılabilen, denetimli bir öğrenme modelleridir.

Genellikle, SVM algoritmasına iki sınıftan birine ait olarak etiketlenmiş bir eğitim örnekleri kümesi verilir. Bir SVM modeli, eğitim örnek noktalarının, büyük bir boşluk olacak şekilde farklı kategorilere bölünmeye, penalizing eğitim örneklerinden, boşluğun yanlış tarafına düşmeye dayanır. SVM modeli, boşluğun veya diğerinin bir tarafına işaret atayarak tahmin yapar.

Bazen, iki sınıf model oluşturabilmeniz için mevcut örnekleri çoğaltmak üzere çok sayıda örnekleme kullanılır, ancak tüm yeni sahtekarlık düzenlerini veya sınırlı örneklerden sistem hatalarını tahmin etmek imkansız olabilir. Üstelik, hatta sınırlı örneklerin toplanması pahalı olabilir.

Bu nedenle, tek sınıf bir SVM 'de, destek vektör modeli yalnızca bir sınıfa sahip olan ve "normal" sınıf olan veriler üzerinde eğitilir. Normal durumların özelliklerini ve bu özelliklerden hangilerinin, normal örneklerin aksine hangi örneklerin benzediğini tahmin edebilir. Bu, anomali algılama için yararlıdır çünkü eğitim örneklerinin kortarları şu şekilde tanımlar: diğer bir deyişle, genellikle ağa izinsiz giriş, sahtekarlık veya diğer anormal davranışlara örnek olarak çok az örnek vardır.

Temel araştırma bağlantıları dahil daha fazla bilgi için bkz. Teknik notlar bölümü.

Not

Tek sınıf destek vektör modeli modülü, çok ölçeklenebilir olmadığı anlamına gelen bir çekirdek-SVM modeli oluşturur. Eğitim saati sınırlıysa veya çok fazla veriniz varsa, PCA tabanlı anomali algılamagibi anomali algılayıcıları için başka yöntemler de kullanabilirsiniz.

One-Class SVM yapılandırma

  1. Studio 'daki denemenize (klasik) tek sınıf destek vektör modeli modülünü ekleyin. Modülün Machine Learning-Initialize altında, anomali algılama kategorisinde bulabilirsiniz.

  2. Özellikler bölmesini açmak Için tek sınıf destek vektör modeli modülüne çift tıklayın.

  3. Oluşturma modu için, modelin nasıl eğitildiğini belirten bir seçenek belirleyin:

    • Tek parametre: modeli nasıl yapılandırmak istediğinizi biliyorsanız ve bağımsız değişken olarak belirli bir değer kümesi sağlamak için bu seçeneği kullanın.

    • Parametre aralığı: en iyi parametrelerden emin değilseniz ve en iyi yapılandırmayı bulmak için bir parametre tarama gerçekleştirmek istiyorsanız bu seçeneği kullanın.

  4. η: aykırı değerleri gösteren üst sınırı temsil eden bir değer yazın. Bu parametre, Bu belgedeaçıklanan nu-özelliğine karşılık gelir. Nu özelliği, aykırı durumlar ve normal durumlar arasındaki dengelemeyi denetlemenizi sağlar.

  5. ε (Epsilon): durdurma toleransı olarak kullanılacak bir değer yazın. Durdurma toleransı, modeli iyileştirirken kullanılan yineleme sayısını etkiler ve durdurma ölçütü değerine bağlıdır. Değer aşıldığında, eğitmen bir çözüme yineleme işlemini sonlandırır.

  6. Eğitim veri kümesini ve eğitim modüllerden birini bağlayın:

    Not

    Anomali algılama modelini eğitebilmekiçin bir parametre aralığı geçirirseniz, parametre aralığı listesindeki yalnızca ilk değeri kullanır.

    Tek bir parametre değerleri kümesini ayarlama modeli hiper parametreleri modülüne geçirirseniz, her parametre için bir dizi ayar beklerken, değerleri yoksayar ve öğrenici için varsayılan değerleri kullanır.

    Parametre aralığı seçeneğini belirleyip herhangi bir parametre için tek bir değer girerseniz, diğer parametreler bir değer aralığı boyunca değişse bile, bu tek değer tarama boyunca kullanılır.

  7. Denemeyi çalıştırın.

Sonuçlar

Modül bir eğitimli anomali algılama modeli döndürüyor. Modeli çalışma alanınıza kaydedebilir veya puan modeli modülünü bağlayıp olası anormallikleri tespit etmek için eğitilen modelini kullanabilirsiniz.

Modeli bir parametre süpürme kullanarak eğitmenizi istiyorsanız, bir modeli üretimde kullanılmak üzere yapılandırırken kullanılacak en uygun parametre ayarlarını bir yere unutmayın.

Örnekler

Bu modülün anomali algılama sürümünde nasıl kullanıldığı hakkında örnekler için Azure yapay zeka Galerisibakın:

  • Anomali algılama: kredi riski: Bu örnek, en iyi modeli bulmak için bir parametre tarama kullanarak verilerde aykırı değerleri nasıl bulacağınızı gösterir. Daha sonra bu modeli, sahtekarlığı temsil eden riskli işlemleri tanımlamak için yeni verilere uygular ve iki farklı anomali algılama modelini karşılaştırır.

Teknik notlar

Tek sınıflı SVM 'den tahmine dayalı olarak, muhtemelen sınırsız olabilecek puanlar ayarlanabilir. Cortana Intelligence Gallery örneğinde gösterildiği gibi, modelleri farklı algoritmalara göre karşılaştırıyorsanız puanları normalleştirilediğinizden emin olun.

Araştır

Bu uygulama, libsvmadlı destek vektör makineleri için kitaplığı sarmalanmış. Temel olan genel teorik libsvm ve tek sınıf destek vektör makinelerine yönelik yaklaşım, B. Schӧlkopf et al tarafından Bu incelemeler tarafından açıklanmıştır.

Modül parametreleri

Ad Tür Aralık İsteğe Bağlı Description Varsayılan
Eğitmen modu oluşturma Trainer modu oluşturma Liste: tek parametreli parametre aralığı| Gerekli Tek parametre Learner seçeneklerini belirtin.

Tüm değerleri el ile belirtmek için Singleparameter seçeneğini kullanın.

Ayarlanabilir parametrelerini gözden geçirme için parameterrange seçeneğini kullanın.
nu Float >= Double. Upsilon Mode: Single parametresi 0.1 Bu parametre (Yunan harfi ile temsil edilir), aykırı kişilerin kesri ve destek vektörü sayısı arasındaki dengelemeyi belirler.
Upsilon Float >= Double. Upsilon Mode: Single parametresi 0.001 Durdurma toleransını belirtir.
psnu ParameterRangeSettings [0,001; 1.0] Mode: parametre aralığı 0,001; 0,01; 0,1 Dış nesnelerin kesiri ve destek vektörü sayısı arasındaki ticaretin aralığını belirtir.
psEpsilon ParameterRangeSettings [1e-6; 1.0] Mode: parametre aralığı 0,001; 0,01; 0,1 Toleransı durdurma aralığını belirtir.

Çıkışlar

Ad Tür Description
Eğitilen model ILearner arabirimi Eğitilen anomali algılama modeli

Ayrıca bkz.

Sınıflandırmaya
Anomali Algılama Modeli Eğitme