单类支持向量机

项目
05/06/2019

重要

对机器学习工作室（经典）的支持将于 2024 年 8 月 31 日结束。建议在该日期之前转换到 Azure 机器学习。

从 2021 年 12 月 1 日开始，你将无法创建新的机器学习工作室（经典）资源。在 2024 年 8 月 31 日之前，可继续使用现有的机器学习工作室（经典）资源。

请参阅有关将机器学习项目从 ML 工作室（经典）移到 Azure 机器学习的信息。
详细了解 Azure 机器学习。

ML 工作室（经典）文档即将停用，将来可能不会更新。

为异常检测创建单类支持向量机模型

类别：异常情况检测

注意

适用于：机器学习 Studio (经典) 应用

可在 Azure 机器学习设计器中获取类似的拖放模块。

模块概述

本文介绍如何使用机器学习 Studio (经典) 中的一类支持向量模型模块来创建异常情况检测模型。

在具有大量"正常"数据且尝试检测到的异常情况并不多的情况下，此模块特别有用。例如，如果需要检测欺诈性交易，则你可能没有许多欺诈示例，可以使用这些示例来训练典型的分类模型，但可能有许多良好的交易示例。

使用一 类支持向量 模型模块创建模型，然后使用训练异常情况检测模型训练模型。用于训练的数据集可以包含所有或大部分正常事例。

然后，可以应用不同的指标来识别潜在的异常。例如，可以使用大型良好交易数据集来识别可能表示欺诈性交易的案例。

有关单类 SVM 的更多信息

支持向量机 (SVM) 是监管的学习模型，可以分析数据和识别模式，并可用于分类和回归任务。

通常，为 SVM 算法提供了一组标记为属于两个类之一的训练示例。 SVM 模型基于将训练样本点划分为不同的类别，并尽可能扩大差距，同时惩罚位于间隙错误一侧的训练样本。然后，SVM 模型通过向间隙的一侧或另一侧分配点进行预测。

有时，过度采样用于复制现有样本，以便可以创建双类模型，但无法根据有限示例预测所有新的欺诈模式或系统故障。此外，收集有限示例的费用也很高昂。

因此，在单类 SVM 中，支持向量模型基于只有一个类（即"普通"类）的数据进行训练。它推断正常事例的属性，并且从这些属性可以预测哪些示例与普通示例不同。这适用于异常情况检测，因为训练示例的异常是定义异常的一部分：也就是说，通常很少出现网络入侵、欺诈或其他异常行为的示例。

有关详细信息（包括基本研究的链接）请参阅技术说明部分。

注意

“单类支持向量模型”模块创建内核 SVM 模型，也就是说其可扩展性不是很高。如果训练时间有限，或者数据过多，可以使用其他方法进行异常检测，例如基于 PCA 的异常情况检测。

如何配置 One-Class SVM

将" 一类支持向量模型 "模块添加到工作室中的试验 (经典) 。可以在"异常情况检测"类别中机器学习 - 初始化"下的模块。
双击"一 类支持向量模型" 模块，打开" 属性" 窗格。
对于 "创建训练器模式"，请选择指示如何训练模型的选项：
- 单个参数：如果知道自己想要如何配置模型，请使用此选项并提供一组特定的值作为参数。
- 参数范围：如果不确定最佳参数，并且想要执行参数扫描以查找最佳配置，请使用此选项。
η：键入一个值，该值表示离群值的小数部分上的上限。此参数对应于本文中所述的 nu 属性。使用 nu 属性可以控制离群值和正常事例之间的选择。
ε (epsilon) ：键入要用作停止容错的值。停止容错会影响优化模型时使用的迭代次数，并取决于停止条件值。超过该值时，训练程序将停止对解决方案进行复用。
连接一个训练数据集以及训练模块之一：
- 如果将"创建训练程序模式"设置为"单个参数"，请使用训练异常情况检测模型模块。
- 如果将“创建训练程序模式”设置为“参数范围”，请使用优化模型超参数模块。
注意

如果将参数范围传递给训练异常情况检测模型，则它仅使用参数范围列表中的第一个值。

如果将一组参数值传递给优化模型超参数模块，则当它期望每个参数有一系列设置时，它会忽略这些值，并为学习器使用默认值。

如果选择" 参数范围"选项并输入任何参数的单个值，则即使其他参数在一系列值中更改，该单个值也在整个扫描过程中使用。
运行试验。

结果

该模块返回经过训练的异常情况检测模型。可以将模型保存在工作区中，也可以连接评分模型模块并使用训练的模型来检测可能的异常。

如果使用参数扫描训练模型，请记下配置模型以用于生产时使用的最佳参数设置。

示例

有关此模块如何用于异常情况检测的示例，请参阅Azure AI 库：

异常情况检测：信用风险：此示例演示如何使用参数扫描查找最佳模型，在数据中查找离群值。然后，它将该模型应用于新数据，以识别可能表示欺诈的风险交易，并比较两个不同的异常情况检测模型。

技术说明

来自一类 SVM 的预测是可能没有限制的未校准分数。如 Cortana 库中的示例所示，如果要根据不同的算法比较模型，请务必规范化分数。

研究

此实现包装名为 libsvm 的支持向量机的库。 libsvm B. Schlkopf 等人在这些论文中介绍了基于的一般理论以及单类支持向量机的方法。

模块参数

名称	类型	范围	可选	说明	默认
创建训练器模式	创建训练器模式	列表：单个参数\|参数范围	必选	单个参数	指定学习器选项。使用“单个参数”选项可以手动指定所有值。使用“参数范围”选项可以整理可调参数。
nu	Float	>=double.Epsilon	模式：单个参数	0.1	此 (由希腊语字母 nu 值表示) 确定离群值的小数部分和支持向量数之间的一种选择。
epsilon	Float	>=double.Epsilon	模式：单个参数	0.001	指定停止容差。
psnu	ParameterRangeSettings	[0.001; 1.0]	模式：参数范围	0.001;0.01;0.1	指定离群值部分与支持向量数之间权衡的范围。
psEpsilon	ParameterRangeSettings	[1e-6;1.0]	模式：参数范围	0.001;0.01;0.1	指定停止容差的范围。

Outputs

名称	类型	说明
未训练的模型	ILearner 接口	未定型的异常检测模型

另请参阅

分类
 训练异常情况检测模型

通过