Введение
В этом практическом занятии вы научитесь применять одноклассовую SVM для обнаружения новизны. Одноклассовая SVM - это алгоритм без учителя, который обучается определять функцию принятия решений для обнаружения новизны: классифицировать новые данные как похожие или отличающиеся от обучающего набора.
Советы по использованию ВМ
После запуска ВМ перейдите в левый верхний угол и переключитесь на вкладку Ноутбук, чтобы приступить к практике в Jupyter Notebook.
Иногда вам может потребоваться подождать несколько секунд, пока Jupyter Notebook полностью загрузится. Проверка операций не может быть автоматизирована из-за ограничений Jupyter Notebook.
Если вы сталкиваетесь с проблемами во время обучения, не стесняйтесь обращаться к Labby. Оставьте отзыв после занятия, и мы оперативно решим проблему для вас.
Импортируем необходимые библиотеки и генерируем данные
Первым шагом является импорт необходимых библиотек и генерация данных. Мы будем использовать numpy и matplotlib для генерации и визуализации данных, а scikit-learn для построения модели одноклассовой SVM.
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm
## Генерируем обучающие данные
X = 0.3 * np.random.randn(100, 2)
X_train = np.r_[X + 2, X - 2]
## Генерируем некоторые обычные новаторские наблюдения
X = 0.3 * np.random.randn(20, 2)
X_test = np.r_[X + 2, X - 2]
## Генерируем некоторые аномальные новаторские наблюдения
X_outliers = np.random.uniform(low=-4, high=4, size=(20, 2))
Настраиваем модель одноклассовой SVM
Далее мы настроим модель одноклассовой SVM на сгенерированных данных.
## Настраиваем модель
clf = svm.OneClassSVM(nu=0.1, kernel="rbf", gamma=0.1)
clf.fit(X_train)
## Предсказываем метки для обучающих данных, обычных новаторских наблюдений и аномальных новаторских наблюдений
y_pred_train = clf.predict(X_train)
y_pred_test = clf.predict(X_test)
y_pred_outliers = clf.predict(X_outliers)
Вычисляем количество ошибок
Мы вычислим количество ошибок, которые делает модель на обучающих данных, обычных новаторских наблюдениях и аномальных новаторских наблюдениях.
## Считаем количество ошибок
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
Визуализируем результаты
Наконец, мы визуализируем результаты модели одноклассовой SVM. Мы построим границу решения, обучающие данные, обычные новаторские наблюдения и аномальные новаторские наблюдения.
## Визуализируем результаты
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],
[
"learned frontier",
"training observations",
"new regular observations",
"new abnormal observations",
],
loc="upper left",
prop=matplotlib.font_manager.FontProperties(size=11),
)
plt.xlabel(
"error train: %d/200 ; errors novel regular: %d/40 ; errors novel abnormal: %d/40"
% (n_error_train, n_error_test, n_error_outliers)
)
plt.show()
Резюме
В этом практическом занятии мы научились использовать одноклассовую SVM для обнаружения новизны. Мы сгенерировали данные, настроили модель одноклассовой SVM, вычислили количество ошибок и визуализировали результаты. Одноклассовая SVM - это полезный алгоритм для обнаружения аномалий в данных и может быть применен в различных приложениях.