विसंगतिहरू पत्ता लगाउन 9 दृष्टिकोणहरू

В अघिल्लो लेख हामीले समय श्रृंखला पूर्वानुमानको बारेमा कुरा गर्यौं। तार्किक निरन्तरता विसंगतिहरू पहिचान गर्ने लेख हुनेछ।

आवेदन

विसंगति पत्ता लगाउने क्षेत्रहरूमा प्रयोग गरिन्छ जस्तै:

1) उपकरण ब्रेकडाउन को भविष्यवाणी

यसरी, 2010 मा, इरानी सेन्ट्रीफ्यूजहरू स्टक्सनेट भाइरसद्वारा आक्रमण गरियो, जसले उपकरणहरूलाई गैर-इष्टतम सञ्चालनमा सेट गर्यो र केही उपकरणहरू द्रुत पहिरनको कारण असक्षम पार्यो।

यदि उपकरणमा विसंगति पत्ता लगाउने एल्गोरिदमहरू प्रयोग गरिएको थियो भने, विफलता अवस्थाबाट बच्न सकिन्छ।

उपकरणको सञ्चालनमा विसंगतिहरूको खोजी न केवल परमाणु उद्योगमा, तर धातु विज्ञान र विमान टर्बाइनहरूको सञ्चालनमा पनि प्रयोग गरिन्छ। र अन्य क्षेत्रहरूमा जहाँ भविष्यवाणी निदान को प्रयोग एक अप्रत्याशित ब्रेकडाउन को कारण सम्भावित हानि भन्दा सस्तो छ।

2) धोखाधडी भविष्यवाणी

यदि तपाईंले अल्बानियाको पोडोल्स्कमा प्रयोग गर्नुभएको कार्डबाट पैसा निकालिएको छ भने, लेनदेनहरू थप जाँच गर्नुपर्ने हुन सक्छ।

3) असामान्य उपभोक्ता ढाँचाहरूको पहिचान

यदि केहि ग्राहकहरूले असामान्य व्यवहार देखाउँछन् भने, त्यहाँ एक समस्या हुन सक्छ जुन तपाईलाई थाहा छैन।

4) असामान्य माग र लोड को पहिचान

यदि FMCG स्टोरमा बिक्री पूर्वानुमानको विश्वास अन्तराल भन्दा तल झरेको छ भने, यो के भइरहेको छ यसको कारण खोज्न लायक छ।

विसंगतिहरू पहिचान गर्न दृष्टिकोणहरू

1) समर्थन भेक्टर मेसिन एक कक्षा एक-कक्षा SVM संग

उपयुक्त हुन्छ जब प्रशिक्षण सेटमा डेटा सामान्य वितरण पछ्याउँछ, तर परीक्षण सेटमा विसंगतिहरू छन्।

एक-वर्ग समर्थन भेक्टर मेसिनले उत्पत्तिको वरिपरि एक गैररेखीय सतह निर्माण गर्दछ। यो कटअफ सीमा सेट गर्न सम्भव छ जसको लागि डाटा असामान्य मानिन्छ।

हाम्रो DATA4 टोलीको अनुभवको आधारमा, एक-वर्ग SVM विसंगतिहरू फेला पार्ने समस्या समाधान गर्नको लागि सबैभन्दा बढी प्रयोग गरिने एल्गोरिदम हो।

2) पृथक वन विधि

रूखहरू निर्माण गर्ने "यादृच्छिक" विधिको साथ, उत्सर्जनहरू प्रारम्भिक चरणहरूमा पातहरूमा प्रवेश गर्नेछ (रुखको उथलो गहिराइमा), अर्थात्। उत्सर्जन "पृथक" गर्न सजिलो छ। एल्गोरिथ्मको पहिलो पुनरावृत्तिमा असामान्य मानहरूको अलगाव हुन्छ।

3) अण्डाकार खाम र सांख्यिकीय विधिहरू

डाटा सामान्य रूपमा वितरित हुँदा प्रयोग गरिन्छ। वितरणको मिश्रणको पुच्छरको मापन जति नजिक हुन्छ, मूल्य त्यति नै असामान्य हुन्छ।

यस कक्षामा अन्य सांख्यिकीय विधिहरू पनि समावेश गर्न सकिन्छ।

dyakonov.org बाट छवि

4) मेट्रिक विधिहरू

विधिहरूमा के-नजीक छिमेकीहरू, के-नजीकको छिमेकी, ABOD (कोण-आधारित आउटलियर पत्ता लगाउने) वा LOF (स्थानीय आउटलियर कारक) जस्ता एल्गोरिदमहरू समावेश छन्।

उपयुक्त हुन्छ यदि विशेषताहरूमा मानहरू बीचको दूरी बराबर वा सामान्यीकृत छ (ताकि तोतामा बोआ कन्स्ट्रक्टर मापन नगर्न)।

k-नजीकको छिमेकी एल्गोरिथ्मले सामान्य मानहरू बहुआयामिक स्पेसको निश्चित क्षेत्रमा अवस्थित छन् भनी मान्दछ, र विसंगतिहरूको दूरी अलग हाइपरप्लेन भन्दा ठूलो हुनेछ।

5) क्लस्टर विधिहरू

क्लस्टर विधिहरूको सार यो हो कि यदि मान क्लस्टर केन्द्रहरूबाट एक निश्चित रकम भन्दा बढी छ भने, मानलाई असामान्य मान्न सकिन्छ।

मुख्य कुरा भनेको एल्गोरिथ्म प्रयोग गर्नु हो जसले डाटालाई सही रूपमा क्लस्टर गर्दछ, जुन विशिष्ट कार्यमा निर्भर गर्दछ।

6) प्रमुख घटक विधि

उपयुक्त जहाँ फैलावटमा सबैभन्दा ठूलो परिवर्तनको दिशाहरू हाइलाइट गरिएको छ।

7) समय श्रृंखला पूर्वानुमान मा आधारित एल्गोरिदम

विचार यो हो कि यदि एक मान भविष्यवाणी विश्वास अन्तराल भन्दा बाहिर हुन्छ भने, मान असामान्य मानिन्छ। समय श्रृंखला भविष्यवाणी गर्न, एल्गोरिदमहरू जस्तै ट्रिपल स्मूथिङ, S(ARIMA), बूस्टिङ, आदि प्रयोग गरिन्छ।

समय श्रृंखला पूर्वानुमान एल्गोरिदम अघिल्लो लेखमा छलफल गरिएको थियो।

८) पर्यवेक्षित शिक्षा (प्रतिगमन, वर्गीकरण)

यदि डेटाले अनुमति दिन्छ भने, हामी रैखिक प्रतिगमनदेखि पुनरावर्ती नेटवर्कहरूमा एल्गोरिदमहरू प्रयोग गर्छौं। भविष्यवाणी र वास्तविक मान बीचको भिन्नता मापन गरौं, र डेटा मानकबाट कति हदसम्म विचलित हुन्छ भन्ने निष्कर्ष निकालौं। यो महत्त्वपूर्ण छ कि एल्गोरिथ्ममा पर्याप्त सामान्यीकरण क्षमता छ र प्रशिक्षण सेटले असामान्य मानहरू समावेश गर्दैन।

9) नमूना परीक्षण

सुझावहरू खोज्ने समस्याको रूपमा विसंगतिहरूको खोजी गर्ने समस्यालाई हेरौं। SVD वा फ्याक्टराइजेसन मेशिनहरू प्रयोग गरेर हाम्रो सुविधा म्याट्रिक्सलाई विघटन गरौं, र नयाँ म्याट्रिक्समा मानहरू लिनुहोस् जुन असामान्य रूपमा मौलिकहरू भन्दा धेरै फरक छन्।

dyakonov.org बाट छवि

निष्कर्षमा

यस लेखमा, हामीले विसंगति पत्ता लगाउने मुख्य दृष्टिकोणहरूको समीक्षा गर्यौं।

विसंगतिहरू पत्ता लगाउन धेरै तरिकामा कला भन्न सकिन्छ। त्यहाँ कुनै आदर्श एल्गोरिथ्म वा दृष्टिकोण छैन, जसको प्रयोगले सबै समस्याहरू समाधान गर्दछ। प्राय: विधिहरूको सेट एक विशेष मामला समाधान गर्न प्रयोग गरिन्छ। विसंगति पत्ता लगाउने कार्य एक-वर्ग समर्थन भेक्टर मेसिनहरू, जंगलहरू, मेट्रिक र क्लस्टर विधिहरू, साथै प्रमुख घटकहरू र समय श्रृंखला पूर्वानुमानको प्रयोग गरेर गरिन्छ।

यदि तपाइँ अन्य विधिहरू जान्नुहुन्छ भने, लेखमा टिप्पणीहरूमा तिनीहरूको बारेमा लेख्नुहोस्।

स्रोत: www.habr.com