rxOneClassSvm: OneClass SVM

Maszyny wektorowe obsługi jednej klasy uczenia maszynowego

Zastosowanie

  rxOneClassSvm(formula = NULL, data, cacheSize = 100, kernel = rbfKernel(),
    epsilon = 0.001, nu = 0.1, shrink = TRUE, normalize = "auto",
    mlTransforms = NULL, mlTransformVars = NULL, rowSelection = NULL,
    transforms = NULL, transformObjects = NULL, transformFunc = NULL,
    transformVars = NULL, transformPackages = NULL, transformEnvir = NULL,
    blocksPerRead = rxGetOption("blocksPerRead"),
    reportProgress = rxGetOption("reportProgress"), verbose = 1,
    computeContext = rxGetOption("computeContext"),
    ensemble = ensembleControl(), ...)

Argumenty (w programowaniu)

`formula`

Formuła opisana w rxFormula. Terminy interakcji i F() nie są obecnie obsługiwane w języku MicrosoftML.

`data`

Obiekt źródła danych lub ciąg znaków określający plik xdf lub obiekt ramki danych.

`cacheSize`

Maksymalny rozmiar w MB pamięci podręcznej, która przechowuje dane treningowe. Zwiększ to w przypadku dużych zestawów treningowych. Wartość domyślna to 100 MB.

`kernel`

Ciąg znaków reprezentujący jądro używane do przetwarzania produktów wewnętrznych. Aby uzyskać więcej informacji, zobacz maKernel. Dostępne są następujące opcje:

rbfKernel(): jądro funkcji podstawy promieniowej. Jego parametr reprezentuje gamma w okresie exp(-gamma|x-y|^2. Jeśli nie zostanie określony, domyślnie 1 zostanie ona podzielona przez liczbę używanych funkcji. Na przykład rbfKernel(gamma = .1). Jest to wartość domyślna.
linearKernel(): jądro liniowe.
polynomialKernel(): jądro wielomianowe o nazwach parametrów a, biasi deg w terminie (a*<x,y> + bias)^deg. Wartość domyślna bias0to . Stopień , degwartość domyślna to 3. Jeśli a nie zostanie określona, zostanie ustawiona wartość 1 podzielona przez liczbę funkcji. Na przykład maKernelPoynomial(bias = 0, deg = `` 3).
sigmoidKernel(): Sigmoid jądra z nazwami parametrów gamma i coef0 w terminie tanh(gamma*<x,y> + coef0). gamma, domyślnie jest 1 dzielona przez liczbę funkcji. Parametr coef0 domyślnie ma wartość 0. Na przykład sigmoidKernel(gamma = .1, coef0 = 0).

`epsilon`

Próg zbieżności optymalizatora. Jeśli poprawa między iteracjami jest mniejsza niż próg, algorytm zatrzymuje się i zwraca bieżący model. Wartość musi być większa lub równa .Machine$double.eps. Wartość domyślna to 0,001.

`nu`

Kompromis między ułamkiem wartości odstających a liczbą wektorów nośnych (reprezentowanych przez literę grecką nu). Musi należeć do przedziału od 0 do 1, zazwyczaj z zakresu od 0,1 do 0,5. Wartość domyślna to 0,1.

`shrink`

Używa zmniejszania heurystyki, jeśli TRUE. W takim przypadku niektóre próbki zostaną "skurcze" podczas procedury trenowania, co może przyspieszyć trenowanie. Wartość domyślna to TRUE.

`normalize`

Określa typ używanej automatycznej normalizacji:

"auto": jeśli jest wymagana normalizacja, jest wykonywana automatycznie. Jest to wybór domyślny.
"no": nie jest wykonywana normalizacja.
"yes": jest wykonywana normalizacja.
"warn": jeśli jest wymagana normalizacja, zostanie wyświetlony komunikat ostrzegawczy, ale normalizacja nie jest wykonywana.
Normalizacja zmienia skalowanie różnych zakresów danych do standardowej skali. Skalowanie funkcji zapewnia proporcjonalne odległości między punktami danych i umożliwia różne metody optymalizacji, takie jak spadek gradientu, znacznie szybsze. W przypadku normalizacji MaxMin jest używany normalizator. Normalizuje wartości w interwale [a, b] gdzie -1 <= a <= 0i 0 <= b <= 1 .b - a = 1 Ten normalizator zachowuje rozrzedliwość przez mapowanie zera na zero.

`mlTransforms`

Określa listę przekształceń MicrosoftML, które mają być wykonywane na danych przed trenowanie lub NULL jeśli nie mają być wykonywane żadne przekształcenia. Zobacz featurizeText, kategoryczne i podzielone na kategorieHash, aby zapoznać się z obsługiwanymi przekształceniami. Te przekształcenia są wykonywane po wszelkich określonych przekształceniach języka R. Wartość domyślna to NULL.

`mlTransformVars`

Określa wektor znaków nazw zmiennych, które mają być używane lub mlTransformsNULL jeśli nie mają być używane. Wartość domyślna to NULL.

`rowSelection`

Określa wiersze (obserwacje) z zestawu danych, które mają być używane przez model z nazwą zmiennej logicznej z zestawu danych (w cudzysłowie) lub z wyrażeniem logicznym przy użyciu zmiennych w zestawie danych. Na przykład użyje tylko obserwacji, rowSelection = "old" w których wartość zmiennej old to TRUE. rowSelection = (age > 20) & (age < 65) & (log(income) > 10) Używa tylko obserwacji, w których wartość age zmiennej wynosi od 20 do 65, a wartość log zmiennej income jest większa niż 10. Wybór wiersza jest wykonywany po przetworzeniu wszystkich przekształceń danych (zobacz argumenty transforms lub transformFunc). Podobnie jak we wszystkich wyrażeniach, rowSelection można zdefiniować poza wywołaniem funkcji przy użyciu funkcji wyrażenia.

`transforms`

Wyrażenie formularza list(name = expression, ``...) reprezentującego pierwszą rundę przekształceń zmiennych. Podobnie jak w przypadku wszystkich wyrażeń transforms (lub rowSelection) można zdefiniować poza wywołaniem funkcji przy użyciu funkcji wyrażenia.

`transformObjects`

Nazwana lista zawierająca obiekty, do których można odwoływać się w transformselementach , transformsFunci rowSelection.

`transformFunc`

Funkcja przekształcania zmiennej. Aby uzyskać szczegółowe informacje, zobacz rxTransform.

`transformVars`

Wektor znaków zmiennych zestawu danych wejściowych potrzebnych do funkcji przekształcania. Aby uzyskać szczegółowe informacje, zobacz rxTransform.

`transformPackages`

Wektor znaków określający dodatkowe pakiety języka R (poza określonymi w ) rxGetOption("transformPackages")do udostępnienia i wstępnie załadowany do użycia w funkcjach przekształcania zmiennych. Na przykład te jawnie zdefiniowane w funkcjach RevoScaleR za pośrednictwem ich transforms argumentów i lub transformFunc zdefiniowanych niejawnie za pośrednictwem ich formula lub rowSelection argumentów. Argument transformPackages może również wskazywać NULL, że żadne pakiety poza nie rxGetOption("transformPackages") są wstępnie ładowane.

`transformEnvir`

Środowisko zdefiniowane przez użytkownika, które służy jako element nadrzędny dla wszystkich środowisk opracowanych wewnętrznie i używanych do przekształcania danych zmiennych. Jeśli transformEnvir = NULLzamiast tego zostanie użyte nowe środowisko "hash" z elementem nadrzędnym baseenv() .

`blocksPerRead`

Określa liczbę bloków do odczytu dla każdego fragmentu danych odczytywanych ze źródła danych.

`reportProgress`

Wartość całkowita określająca poziom raportowania postępu przetwarzania wierszy:

0: nie zgłoszono żadnego postępu.
1: liczba przetworzonych wierszy jest drukowana i aktualizowana.
2: są zgłaszane przetworzone wiersze i chronometraż.
3: są zgłaszane wiersze przetworzone i wszystkie chronometraż.

`verbose`

Wartość całkowita określająca ilość żądanych danych wyjściowych. Jeśli 0podczas obliczeń nie są drukowane żadne pełne dane wyjściowe. Wartości całkowite z 1 , aby 4 zapewnić coraz większe ilości informacji.

`computeContext`

Ustawia kontekst, w którym są wykonywane obliczenia określone przy użyciu prawidłowego elementu RxComputeContext. Obecnie obsługiwane są konteksty obliczeniowe lokalne i RxInSqlServer.

`ensemble`

Parametry sterowania dla ensembling.

`...`

Dodatkowe argumenty, które mają być przekazywane bezpośrednio do aparatu obliczeniowego firmy Microsoft.

Szczegóły

wykrywanie polega na zidentyfikowaniu wartości odstających, które nie należą do jakiejś klasy docelowej. Ten typ svM jest jednoklasowy, ponieważ zestaw treningowy zawiera tylko przykłady z klasy docelowej. Wywnioskuje, jakie właściwości są normalne dla obiektów w klasie docelowej, a z tych właściwości przewiduje, które przykłady są w przeciwieństwie do normalnych przykładów. Jest to przydatne w przypadku wykrywania anomalii, ponieważ niedobór przykładów szkoleniowych jest definiowanym znakiem anomalii: zazwyczaj istnieje bardzo niewiele przykładów nieautoryzowanego działania sieci, oszustwa lub innych typów nietypowych zachowań.

Wartość

rxOneClassSvm rxOneClassSvm: obiekt z wytrenowanym modelem.

OneClassSvm: obiekt specyfikacji ucznia klasy maml dla trenera OneClass Svm.

Notatki

Ten algorytm jest jednowątkowy i zawsze podejmie próbę załadowania całego zestawu danych do pamięci.

Autorzy

Microsoft Corporation Microsoft Technical Support

Źródła

Anomaly detection

Azure Machine Learning Studio (classic): One-Class Support Vector Machine

Support of a High-Dimensional Distribution

Support Vector Algorithms

for Support Vector Machines

Zobacz także

rbfKernel, linearKernel, polynomialKernel, sigmoidKernel rxFastTrees, rxFastForest, rxFastLinear, rxLogisticRegression, rxNeuralNet, featurizeText , kategorical, categoricalHash, rxPredict.mlModel.

Przykłady


 # Estimate a One-Class SVM model
 trainRows <- c(1:30, 51:80, 101:130)
 testRows = !(1:150 %in% trainRows)
 trainIris <- iris[trainRows,]
 testIris <- iris[testRows,]

 svmModel <- rxOneClassSvm(
     formula = ~Sepal.Length + Sepal.Width + Petal.Length + Petal.Width,
     data = trainIris)

 # Add additional non-iris data to the test data set
 testIris$isIris <- 1
 notIris <- data.frame(
     Sepal.Length = c(2.5, 2.6),
     Sepal.Width = c(.75, .9),
     Petal.Length = c(2.5, 2.5),
     Petal.Width = c(.8, .7),
     Species = c("not iris", "not iris"),
     isIris = 0)
 testIris <- rbind(testIris, notIris)  

 scoreDF <- rxPredict(svmModel, 
      data = testIris, extraVarsToWrite = "isIris")

 # Look at the last few observations
 tail(scoreDF)
 # Look at average scores conditioned by 'isIris'
 rxCube(Score ~ F(isIris), data = scoreDF)

Sprzężenie zwrotne

Czy ta strona była pomocna?

Last updated on 2025-06-05

Udostępnij przez

rxOneClassSvm: OneClass SVM

Zastosowanie

Argumenty (w programowaniu)

formula

data

cacheSize

kernel

epsilon

nu

shrink

normalize

mlTransforms

mlTransformVars

rowSelection

transforms

transformObjects

transformFunc

transformVars

transformPackages

transformEnvir

blocksPerRead

reportProgress

verbose

computeContext

ensemble

...