🥇9 વિસંગતતાઓ શોધવાના અભિગમો

В પાછલો લેખ અમે સમય શ્રેણીની આગાહી વિશે વાત કરી. તાર્કિક સાતત્ય એ વિસંગતતાઓને ઓળખવા પરનો લેખ હશે.

અરજી

વિસંગતતા શોધનો ઉપયોગ આવા વિસ્તારોમાં થાય છે:

1) સાધનોના ભંગાણની આગાહી

આમ, 2010 માં, ઈરાની સેન્ટ્રીફ્યુજ પર સ્ટક્સનેટ વાયરસ દ્વારા હુમલો કરવામાં આવ્યો હતો, જેણે સાધનોને બિન-શ્રેષ્ઠ કામગીરી માટે સેટ કર્યા હતા અને ઝડપી વસ્ત્રોને કારણે કેટલાક સાધનોને અક્ષમ કર્યા હતા.

જો વિસંગતતા શોધ એલ્ગોરિધમનો ઉપયોગ સાધનો પર કરવામાં આવ્યો હોત, તો નિષ્ફળતાની પરિસ્થિતિ ટાળી શકાઈ હોત.

સાધનસામગ્રીના સંચાલનમાં વિસંગતતાઓની શોધનો ઉપયોગ માત્ર પરમાણુ ઉદ્યોગમાં જ નહીં, પણ ધાતુશાસ્ત્ર અને એરક્રાફ્ટ ટર્બાઇન્સના સંચાલનમાં પણ થાય છે. અને અન્ય વિસ્તારોમાં જ્યાં અનુમાનિત ડાયગ્નોસ્ટિક્સનો ઉપયોગ અણધારી ભંગાણને કારણે સંભવિત નુકસાન કરતાં સસ્તો છે.

2) છેતરપિંડી આગાહી

જો તમે અલ્બેનિયાના પોડોલ્સ્કમાં ઉપયોગ કરો છો તે કાર્ડમાંથી પૈસા ઉપાડવામાં આવ્યા છે, તો વ્યવહારોને વધુ તપાસવાની જરૂર પડી શકે છે.

3) અસાધારણ ગ્રાહક પેટર્નની ઓળખ

જો કેટલાક ગ્રાહકો અસામાન્ય વર્તન દર્શાવે છે, તો એવી સમસ્યા હોઈ શકે છે કે જેના વિશે તમે જાણતા નથી.

4) અસામાન્ય માંગ અને ભારની ઓળખ

જો એફએમસીજી સ્ટોરમાં વેચાણ અનુમાનના કોન્ફિડન્સ અંતરાલથી નીચે આવી ગયું હોય, તો શું થઈ રહ્યું છે તેનું કારણ શોધવા યોગ્ય છે.

વિસંગતતાઓને ઓળખવા માટેના અભિગમો

1) એક વર્ગ વન-ક્લાસ SVM સાથે વેક્ટર મશીનને સપોર્ટ કરો

જ્યારે તાલીમ સમૂહમાંનો ડેટા સામાન્ય વિતરણને અનુસરે ત્યારે યોગ્ય છે, પરંતુ પરીક્ષણ સમૂહમાં વિસંગતતાઓ છે.

વન-ક્લાસ સપોર્ટ વેક્ટર મશીન મૂળની આસપાસ બિનરેખીય સપાટી બનાવે છે. કટઓફ મર્યાદા સેટ કરવી શક્ય છે જેના માટે ડેટાને વિસંગત ગણવામાં આવે છે.

અમારી DATA4 ટીમના અનુભવના આધારે, વન-ક્લાસ SVM એ વિસંગતતાઓ શોધવાની સમસ્યાને ઉકેલવા માટે સૌથી વધુ ઉપયોગમાં લેવાતું અલ્ગોરિધમ છે.

2) વન પદ્ધતિને અલગ કરો

વૃક્ષો બાંધવાની "રેન્ડમ" પદ્ધતિ સાથે, ઉત્સર્જન પ્રારંભિક તબક્કામાં (વૃક્ષની છીછરી ઊંડાઈએ) પાંદડાઓમાં પ્રવેશ કરશે, એટલે કે. ઉત્સર્જનને "અલગ" કરવું સરળ છે. વિસંગત મૂલ્યોનું અલગતા એલ્ગોરિધમના પ્રથમ પુનરાવર્તનોમાં થાય છે.

3) લંબગોળ પરબિડીયું અને આંકડાકીય પદ્ધતિઓ

જ્યારે ડેટા સામાન્ય રીતે વિતરિત કરવામાં આવે ત્યારે વપરાય છે. વિતરણના મિશ્રણની પૂંછડીની નજીકનું માપ, મૂલ્ય વધુ વિસંગત છે.

આ વર્ગમાં અન્ય આંકડાકીય પદ્ધતિઓનો પણ સમાવેશ કરી શકાય છે.

dyakonov.org પરથી છબી

4) મેટ્રિક પદ્ધતિઓ

પદ્ધતિઓમાં અલ્ગોરિધમનો સમાવેશ થાય છે જેમ કે k-નજીકના પડોશીઓ, k-નજીકના પાડોશી, ABOD (એન્ગલ-આધારિત આઉટલીયર ડિટેક્શન) અથવા LOF (સ્થાનિક આઉટલીયર ફેક્ટર).

યોગ્ય છે જો લાક્ષણિકતાઓમાંના મૂલ્યો વચ્ચેનું અંતર સમકક્ષ અથવા સામાન્ય હોય (જેથી પોપટમાં બોઆ કન્સ્ટ્રક્ટરને માપવામાં ન આવે).

k-નજીકના પડોશી અલ્ગોરિધમ ધારે છે કે સામાન્ય મૂલ્યો બહુપરિમાણીય અવકાશના ચોક્કસ પ્રદેશમાં સ્થિત છે, અને વિસંગતતાઓનું અંતર વિભાજિત હાયપરપ્લેન કરતા વધારે હશે.

5) ક્લસ્ટર પદ્ધતિઓ

ક્લસ્ટર પદ્ધતિઓનો સાર એ છે કે જો કોઈ મૂલ્ય ક્લસ્ટર કેન્દ્રોથી ચોક્કસ રકમ કરતાં વધુ દૂર હોય, તો મૂલ્યને અસંગત ગણી શકાય.

મુખ્ય વસ્તુ એ અલ્ગોરિધમનો ઉપયોગ કરવાનો છે જે ડેટાને યોગ્ય રીતે ક્લસ્ટર કરે છે, જે ચોક્કસ કાર્ય પર આધારિત છે.

6) મુખ્ય ઘટક પદ્ધતિ

જ્યાં વિક્ષેપમાં સૌથી મોટા ફેરફારની દિશાઓ પ્રકાશિત થાય છે ત્યાં યોગ્ય.

7) સમય શ્રેણીની આગાહી પર આધારિત અલ્ગોરિધમ્સ

વિચાર એ છે કે જો કોઈ મૂલ્ય આગાહી વિશ્વાસ અંતરાલની બહાર આવે છે, તો મૂલ્ય અસંગત માનવામાં આવે છે. સમય શ્રેણીની આગાહી કરવા માટે, અલ્ગોરિધમ્સ જેમ કે ટ્રિપલ સ્મૂથિંગ, S(ARIMA), બુસ્ટિંગ વગેરેનો ઉપયોગ કરવામાં આવે છે.

સમય શ્રેણી આગાહી ગાણિતીક નિયમો અગાઉના લેખમાં ચર્ચા કરવામાં આવી હતી.

8) નિરીક્ષણ કરેલ શિક્ષણ (રીગ્રેસન, વર્ગીકરણ)

જો ડેટા પરવાનગી આપે છે, તો અમે રેખીય રીગ્રેસનથી રિકરન્ટ નેટવર્ક્સ સુધીના અલ્ગોરિધમનો ઉપયોગ કરીએ છીએ. ચાલો આગાહી અને વાસ્તવિક મૂલ્ય વચ્ચેના તફાવતને માપીએ, અને ડેટા ધોરણમાંથી કેટલી હદે વિચલિત થાય છે તેના પર નિષ્કર્ષ દોરીએ. એ મહત્વનું છે કે અલ્ગોરિધમમાં પૂરતી સામાન્યીકરણ ક્ષમતા હોય અને તાલીમ સમૂહમાં વિસંગત મૂલ્યો ન હોય.

9) મોડેલ પરીક્ષણો

ચાલો ભલામણો શોધવાની સમસ્યા તરીકે વિસંગતતાઓ શોધવાની સમસ્યાનો સંપર્ક કરીએ. ચાલો SVD અથવા ફેક્ટરાઇઝેશન મશીનનો ઉપયોગ કરીને અમારા ફીચર મેટ્રિક્સને વિઘટિત કરીએ અને નવા મેટ્રિક્સમાં એવા મૂલ્યોને લઈએ જે અસમાનતા તરીકે મૂળ કરતાં નોંધપાત્ર રીતે અલગ હોય.