新奇検出のための 1 クラス SVM | 機械学習チュートリアル

はじめに

この実験では、ノベルティ検出に 1 クラス SVM を使用する例を通じて案内します。1 クラス SVM は、ノベルティ検出のための決定関数を学習する非監督学習アルゴリズムです。つまり、新しいデータを学習セットと同じか異なるかに分類します。

VM のヒント

VM の起動が完了したら、左上隅をクリックしてノートブックタブに切り替え、Jupyter Notebook を使って練習しましょう。

時々、Jupyter Notebook が読み込み完了するまで数秒待つ必要があります。Jupyter Notebook の制限により、操作の検証を自動化することはできません。

学習中に問題に直面した場合は、Labby にお問い合わせください。セッション後にフィードバックを提供してください。そうすれば、迅速に問題を解決します。

必要なライブラリをインポートしてデータを生成する

最初のステップは、必要なライブラリをインポートしてデータを生成することです。データの生成と可視化には numpy と matplotlib を、1 クラス SVM モデルを構築するために scikit - learn を使用します。

import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm

## 学習用データを生成する
X = 0.3 * np.random.randn(100, 2)
X_train = np.r_[X + 2, X - 2]

## いくつかの通常の新奇な観測値を生成する
X = 0.3 * np.random.randn(20, 2)
X_test = np.r_[X + 2, X - 2]

## いくつかの異常な新奇な観測値を生成する
X_outliers = np.random.uniform(low=-4, high=4, size=(20, 2))

1 クラス SVM モデルをフィットさせる

次に、生成したデータに 1 クラス SVM モデルをフィットさせます。

## モデルをフィットさせる
clf = svm.OneClassSVM(nu=0.1, kernel="rbf", gamma=0.1)
clf.fit(X_train)

## 学習データ、通常の新奇な観測値、および異常な新奇な観測値に対するラベルを予測する
y_pred_train = clf.predict(X_train)
y_pred_test = clf.predict(X_test)
y_pred_outliers = clf.predict(X_outliers)

エラーの数を計算する

学習データ、通常の新奇な観測値、および異常な新奇な観測値に対して、モデルが犯すエラーの数を計算します。

## エラーの数をカウントする
n_error_train = y_pred_train[y_pred_train == -1].size
n_error_test = y_pred_test[y_pred_test == -1].size
n_error_outliers = y_pred_outliers[y_pred_outliers == 1].size

結果を可視化する

最後に、1 クラス SVM モデルの結果を可視化します。決定境界、学習データ、通常の新奇な観測値、および異常な新奇な観測値をプロットします。

## 結果を可視化する
xx, yy = np.meshgrid(np.linspace(-5, 5, 500), np.linspace(-5, 5, 500))
Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)

plt.title("Novelty Detection")
plt.contourf(xx, yy, Z, levels=np.linspace(Z.min(), 0, 7), cmap=plt.cm.PuBu)
a = plt.contour(xx, yy, Z, levels=[0], linewidths=2, colors="darkred")
plt.contourf(xx, yy, Z, levels=[0, Z.max()], colors="palevioletred")

s = 40
b1 = plt.scatter(X_train[:, 0], X_train[:, 1], c="white", s=s, edgecolors="k")
b2 = plt.scatter(X_test[:, 0], X_test[:, 1], c="blueviolet", s=s, edgecolors="k")
c = plt.scatter(X_outliers[:, 0], X_outliers[:, 1], c="gold", s=s, edgecolors="k")
plt.axis("tight")
plt.xlim((-5, 5))
plt.ylim((-5, 5))
plt.legend(
    [a.collections[0], b1, b2, c],
    [
        "学習済みの境界",
        "学習観測値",
        "新しい通常の観測値",
        "新しい異常な観測値"
    ],
    loc="upper left",
    prop=matplotlib.font_manager.FontProperties(size=11)
)
plt.xlabel(
    "エラー トレーニング：%d/200 ; エラー 新奇な通常：%d/40 ; エラー 新奇な異常：%d/40"
    % (n_error_train, n_error_test, n_error_outliers)
)
plt.show()

まとめ

この実験では、新奇検出に 1 クラス SVM をどのように使用するかを学びました。データを生成し、1 クラス SVM モデルをフィットさせ、エラーの数を計算し、結果を可視化しました。1 クラス SVM は、データ内の異常を検出するための便利なアルゴリズムであり、幅広いアプリケーションに適用できます。