ကွဲလွဲချက်များကို သိရှိရန် ချဉ်းကပ်မှု ၉

В ယခင်ဆောင်းပါး အချိန်စီးရီးခန့်မှန်းခြင်းအကြောင်း ပြောခဲ့ကြတယ်။ ကျိုးကြောင်းဆီလျော်သော ဆက်စပ်မှုတစ်ခုသည် ကွဲလွဲချက်များကို ဖော်ထုတ်ခြင်းဆိုင်ရာ ဆောင်းပါးတစ်ပုဒ်ဖြစ်လိမ့်မည်။

လြှောကျလှာ

ပုံသဏ္ဍာန်ကို သိရှိခြင်းအား အောက်ပါကဲ့သို့သော နေရာများတွင် အသုံးပြုသည်။

1) စက်ပစ္စည်း ပျက်ယွင်းမှုကို ခန့်မှန်းခြင်း။

ထို့ကြောင့်၊ 2010 ခုနှစ်တွင် အီရန်၏ centrifuges များကို Stuxnet virus မှ တိုက်ခိုက်ခြင်းခံခဲ့ရပြီး စက်ပစ္စည်းများကို အကောင်းမွန်ဆုံးသောလည်ပတ်မှုအဖြစ်သတ်မှတ်ပေးကာ အရှိန်မြှင့်ဝတ်ဆင်မှုကြောင့် စက်ပစ္စည်းအချို့ကို ပိတ်ထားခဲ့ရသည်။

စက်ပစ္စည်းများတွင် မမှန်မကန်သိရှိနိုင်သော အယ်လဂိုရီသမ်များကို အသုံးပြုပါက၊ ပျက်ကွက်မှုအခြေအနေကို ရှောင်ရှားနိုင်မည်ဖြစ်သည်။

စက်ကိရိယာများ လည်ပတ်မှုတွင် ကွဲလွဲချက်များကို ရှာဖွေခြင်းအား နျူကလီးယားစက်မှုလုပ်ငန်းတွင်သာမက သတ္တုဗေဒနှင့် လေယာဉ်တာဘိုင်များ၏ လည်ပတ်မှုတွင်လည်း အသုံးပြုပါသည်။ ကြိုတင်ခန့်မှန်းနိုင်သော ရောဂါရှာဖွေရေးများကို အသုံးပြုခြင်းသည် ခန့်မှန်းမရနိုင်သော ပြိုကွဲမှုကြောင့် ဖြစ်နိုင်သောဆုံးရှုံးမှုထက် စျေးသက်သာသည့် အခြားနေရာများတွင်လည်း ဖြစ်သည်။

2) လိမ်လည်မှုခန့်မှန်းခြင်း။

အယ်လ်ဘေးနီးယားရှိ Podolsk တွင် သင်အသုံးပြုသည့်ကတ်မှ ငွေကို ထုတ်ယူပါက၊ ငွေလွှဲမှုများကို ထပ်မံစစ်ဆေးရန် လိုအပ်ပါသည်။

၃) ပုံမှန်မဟုတ်သော စားသုံးသူပုံစံများကို ဖော်ထုတ်ခြင်း။

အချို့သော ဖောက်သည်များသည် ပုံမှန်မဟုတ်သော အမူအကျင့်များ ပေါ်လာပါက၊ သင် သတိမပြုမိသော ပြဿနာတစ်ခု ရှိကောင်းရှိနိုင်သည်။

4) ပုံမှန်မဟုတ်သောလိုအပ်ချက်နှင့်ဝန်ကိုဖော်ထုတ်ခြင်း။

FMCG စတိုးတစ်ခုတွင် ရောင်းအားသည် ခန့်မှန်းချက်၏ယုံကြည်မှုကြားကာလအောက် ကျဆင်းသွားပါက၊ ဖြစ်ပျက်နေသည့် အကြောင်းရင်းကို ရှာဖွေရကျိုးနပ်ပါသည်။

ကွဲလွဲချက်များကို ဖော်ထုတ်ရန် ချဉ်းကပ်မှုများ

1) Class One-Class SVM ဖြင့် Vector Machine ကို ပံ့ပိုးပါ။

လေ့ကျင့်မှုအစုံရှိ ဒေတာသည် ပုံမှန်ဖြန့်ဝေမှုနောက်တွင် သင့်လျော်သော်လည်း စမ်းသပ်မှုတွင် ကွဲလွဲချက်များပါရှိသည်။

တစ်တန်းစား ပံ့ပိုးမှု vector စက်သည် မူလနေရာတစ်ဝိုက်တွင် လိုင်းမဟုတ်သော မျက်နှာပြင်ကို တည်ဆောက်သည်။ ဒေတာကို မမှန်ဟု ယူဆပါက ဖြတ်တောက်မှု ကန့်သတ်ချက်ကို သတ်မှတ်ရန် ဖြစ်နိုင်သည်။

ကျွန်ုပ်တို့၏ DATA4 အဖွဲ့၏ အတွေ့အကြုံအပေါ် အခြေခံ၍ One-Class SVM သည် ကွဲလွဲချက်များကို ရှာဖွေခြင်းပြဿနာကို ဖြေရှင်းရန်အတွက် အသုံးအများဆုံး algorithm ဖြစ်သည်။

၂) သစ်တောခွဲထုတ်နည်း

သစ်ပင်များတည်ဆောက်ခြင်း၏ “ကျပန်း” နည်းလမ်းဖြင့် အစောပိုင်းအဆင့်များ (သစ်ပင်၏တိမ်မြုပ်သောနေရာတွင်) ဓာတ်ငွေ့ထုတ်လွှတ်မှုများသည် အရွက်များအတွင်းသို့ ဝင်ရောက်လာမည်ဖြစ်သည်။ ထုတ်လွှတ်မှုများသည် "ခွဲထုတ်ရန်" ပိုမိုလွယ်ကူသည်။ အယ်လဂိုရီသမ်၏ ပထမအကြိမ်တွင် ပုံမှန်မဟုတ်သောတန်ဖိုးများကို သီးခြားခွဲထုတ်ခြင်းသည် ဖြစ်ပေါ်သည်။

3) Elliptic စာအိတ်နှင့် ကိန်းဂဏန်းဆိုင်ရာ နည်းလမ်းများ

ဒေတာကို ပုံမှန်ဖြန့်ဝေသည့်အခါတွင် အသုံးပြုသည်။ တိုင်းတာမှု သည် ဖြန့်ဝေမှု၏ အမြီးပိုင်းနှင့် ပိုမိုနီးကပ်လေလေ၊ တန်ဖိုးသည် ပို၍ မှားယွင်းလေဖြစ်သည်။

အခြားစာရင်းအင်းနည်းလမ်းများကိုလည်း ဤအတန်းတွင် ထည့်သွင်းနိုင်သည်။

dyakonov.org မှပုံ

4) မက်ထရစ်နည်းလမ်းများ

နည်းလမ်းများတွင် k-အနီးဆုံးအိမ်နီးချင်းများ၊ k-အနီးဆုံးအိမ်နီးချင်း၊ ABOD (ထောင့်ကိုအခြေခံသည့် အပြင်ဘက်ထောက်လှမ်းမှု) သို့မဟုတ် LOF (ဒေသတွင်း ပြင်ပအချက်) ကဲ့သို့သော အယ်လဂိုရီသမ်များ ပါဝင်သည်။

ဝိသေသလက္ခဏာများရှိ တန်ဖိုးများအကြား အကွာအဝေးသည် ညီမျှခြင်း သို့မဟုတ် ပုံမှန်ဖြစ်လျှင် (ကြက်တူရွေးတွင် စပါးအုံးမြွေကို တိုင်းတာခြင်းမှ မပြုမိစေရန်) သင့်လျော်သည်။

k-အနီးဆုံးအိမ်နီးနားချင်း အယ်လဂိုရီသမ်သည် ပုံမှန်တန်ဖိုးများကို ဘက်ပေါင်းစုံမှ အာကာသအတွင်း အချို့နေရာများတွင် တည်ရှိသည်ဟု ယူဆကာ ကွဲလွဲချက်များဆီသို့ အကွာအဝေးသည် ခွဲထုတ်ထားသော ဟိုက်ပါလေယာဉ်ထက် ပိုကြီးမည်ဖြစ်သည်။

5) Cluster နည်းလမ်းများ

အစုလိုက်နည်းလမ်းများ၏ အနှစ်သာရမှာ တန်ဖိုးတစ်ခုသည် အစုလိုက်စင်တာများနှင့် ဝေးကွာသော ပမာဏတစ်ခုထက်ပိုပါက တန်ဖိုးကို မမှန်ဟု ယူဆနိုင်ပါသည်။

အဓိကအချက်မှာ သီးခြားလုပ်ငန်းတာဝန်အပေါ် မူတည်ပြီး ဒေတာများကို မှန်ကန်စွာ အစုအဝေးပြုလုပ်သည့် algorithm ကို အသုံးပြုရန်ဖြစ်သည်။

6) အဓိကအစိတ်အပိုင်းနည်းလမ်း

ကွဲလွင့်မှုတွင် အကြီးမားဆုံးပြောင်းလဲမှု၏ လမ်းညွှန်ချက်များကို မီးမောင်းထိုးပြသည့်နေရာတွင် သင့်လျော်သည်။

7) အချိန်စီးရီးကြိုတင်ခန့်မှန်းမှုအပေါ်အခြေခံသည့် Algorithms

ခန့်မှန်းချက်ယုံကြည်မှုကြားကာလ အပြင်ဘက်တွင် တန်ဖိုးတစ်ခု ကျရောက်ပါက၊ တန်ဖိုးကို မမှန်ဟု ယူဆပါသည်။ အချိန်စီးရီးတစ်ခုအား ခန့်မှန်းရန်၊ triple smoothing၊ S(ARIMA)၊ boosting စသည်တို့ကဲ့သို့သော algorithms ကို အသုံးပြုပါသည်။

အချိန်စီးရီးခန့်မှန်းခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်များကို ယခင်ဆောင်းပါးတွင် ဆွေးနွေးထားသည်။

8) ကြီးကြပ်သင်ကြားမှု (ဆုတ်ယုတ်ခြင်း၊ အမျိုးအစားခွဲခြားခြင်း)

ဒေတာခွင့်ပြုပါက၊ မျဉ်းကြောင်းပြန်ဆုတ်ခြင်းမှ ထပ်တလဲလဲကွန်ရက်များအထိ algorithms များကိုအသုံးပြုပါသည်။ ခန့်မှန်းချက်နှင့် အမှန်တကယ်တန်ဖိုးအကြား ကွာခြားချက်ကို တိုင်းတာပြီး ဒေတာသည် စံနှုန်းနှင့် မည်မျှသွေဖည်သွားသည်ကို ကောက်ချက်ချကြပါစို့။ အယ်လဂိုရီသမ်တွင် လုံလောက်သော ယေဘူယျပြုနိုင်စွမ်းရှိပြီး လေ့ကျင့်ရေးအစုံတွင် မမှန်မကန်တန်ဖိုးများ မပါဝင်ရန် အရေးကြီးပါသည်။

9) မော်ဒယ်စမ်းသပ်မှုများ

အကြံပြုချက်များကို ရှာဖွေခြင်းပြဿနာအဖြစ် ကွဲလွဲချက်များကို ရှာဖွေခြင်းပြဿနာကို ချဉ်းကပ်ကြပါစို့။ ကျွန်ုပ်တို့၏အင်္ဂါရပ် matrix ကို SVD သို့မဟုတ် factorization machines များအသုံးပြု၍ ပြိုကွဲသွားအောင်၊ မူလပုံစံများနှင့် သိသိသာသာကွဲပြားနေသော matrix အသစ်ရှိတန်ဖိုးများကို anomalous အဖြစ်ယူပါ။

dyakonov.org မှပုံ

ကောက်ချက်

ဤဆောင်းပါးတွင်၊ ကျွန်ုပ်တို့သည် မမှန်မကန်သိရှိခြင်းအတွက် အဓိကနည်းလမ်းများကို သုံးသပ်ထားပါသည်။

ကွဲလွဲချက်များကို ရှာဖွေခြင်းကို အနုပညာတစ်ခုဟု ခေါ်ဆိုနိုင်သည်။ ပြဿနာအားလုံးကို ဖြေရှင်းပေးသည့် စံပြ အယ်လဂိုရီသမ် သို့မဟုတ် ချဉ်းကပ်မှု မရှိပါ။ သီးခြားကိစ္စရပ်တစ်ခုကို ဖြေရှင်းရန် နည်းလမ်းများစွာကို မကြာခဏအသုံးပြုသည်။ ပုံမှန်မဟုတ်သော ထောက်လှမ်းခြင်းအား အတန်းအစား ပံ့ပိုးမှု vector စက်များ၊ သစ်တောများကို သီးခြားခွဲထုတ်ခြင်း၊ မက်ထရစ်နှင့် အစုအဝေး နည်းလမ်းများအပြင် အဓိက အစိတ်အပိုင်းများနှင့် အချိန်စီးရီး ကြိုတင်ခန့်မှန်းခြင်းတို့ကို အသုံးပြု၍ လုပ်ဆောင်ပါသည်။

အခြားနည်းလမ်းများသိပါက ဆောင်းပါးကို comment တွင်ရေးပါ။

source: www.habr.com