В நேரத் தொடர் முன்னறிவிப்பு பற்றி பேசினோம். ஒரு தர்க்கரீதியான தொடர்ச்சியானது முரண்பாடுகளைக் கண்டறிவதற்கான கட்டுரையாக இருக்கும்.
விண்ணப்ப
ஒழுங்கின்மை கண்டறிதல் போன்ற பகுதிகளில் பயன்படுத்தப்படுகிறது:
1) உபகரண முறிவுகளின் கணிப்பு
எனவே, 2010 ஆம் ஆண்டில், ஈரானிய மையவிலக்குகள் ஸ்டக்ஸ்நெட் வைரஸால் தாக்கப்பட்டன, இது சாதனங்களை உகந்ததாக இல்லாத செயல்பாட்டிற்கு அமைத்தது மற்றும் விரைவான உடைகள் காரணமாக சில உபகரணங்களை முடக்கியது.
கருவிகளில் ஒழுங்கின்மை கண்டறியும் வழிமுறைகளைப் பயன்படுத்தியிருந்தால், தோல்வி நிலையைத் தவிர்த்திருக்கலாம்.
உபகரணங்களின் செயல்பாட்டில் முரண்பாடுகளைத் தேடுவது அணுசக்தி துறையில் மட்டுமல்ல, உலோகம் மற்றும் விமான விசையாழிகளின் செயல்பாட்டிலும் பயன்படுத்தப்படுகிறது. மற்றும் பிற பகுதிகளில் கணிக்க முடியாத செயலிழப்பு காரணமாக சாத்தியமான இழப்புகளை விட முன்கணிப்பு கண்டறிதல்களின் பயன்பாடு மலிவானது.
2) மோசடி கணிப்பு
அல்பேனியாவில் உள்ள Podolsk இல் நீங்கள் பயன்படுத்தும் கார்டில் இருந்து பணம் எடுக்கப்பட்டால், பரிவர்த்தனைகள் மேலும் சரிபார்க்கப்பட வேண்டியிருக்கும்.
3) அசாதாரண நுகர்வோர் வடிவங்களை அடையாளம் காணுதல்
சில வாடிக்கையாளர்கள் அசாதாரணமான நடத்தையை வெளிப்படுத்தினால், உங்களுக்குத் தெரியாத சிக்கல் இருக்கலாம்.
4) அசாதாரண தேவை மற்றும் சுமைகளை கண்டறிதல்
ஒரு எஃப்எம்சிஜி கடையில் விற்பனை முன்னறிவிப்பின் நம்பிக்கை இடைவெளிக்குக் கீழே குறைந்திருந்தால், என்ன நடக்கிறது என்பதற்கான காரணத்தைக் கண்டறிவது மதிப்பு.
முரண்பாடுகளைக் கண்டறிவதற்கான அணுகுமுறைகள்
1) ஒன் கிளாஸ் ஒன் கிளாஸ் எஸ்விஎம் உடன் வெக்டர் மெஷின் ஆதரவு
பயிற்சித் தொகுப்பில் உள்ள தரவு சாதாரண விநியோகத்தைப் பின்பற்றும் போது பொருத்தமானது, ஆனால் சோதனைத் தொகுப்பில் முரண்பாடுகள் உள்ளன.
ஒரு-வகுப்பு ஆதரவு திசையன் இயந்திரம் தோற்றத்தைச் சுற்றி ஒரு நேரியல் அல்லாத மேற்பரப்பை உருவாக்குகிறது. தரவு ஒழுங்கற்றதாகக் கருதப்படும் கட்ஆஃப் வரம்பை அமைக்க முடியும்.
எங்கள் DATA4 குழுவின் அனுபவத்தின் அடிப்படையில், ஒன்-கிளாஸ் SVM என்பது முரண்பாடுகளைக் கண்டறிவதில் உள்ள சிக்கலைத் தீர்க்க பொதுவாகப் பயன்படுத்தப்படும் அல்காரிதம் ஆகும்.
2) தனிமைப்படுத்தப்பட்ட காடு முறை
மரங்களை நிர்மாணிப்பதற்கான "சீரற்ற" முறை மூலம், உமிழ்வுகள் ஆரம்ப கட்டங்களில் இலைகளில் நுழையும் (மரத்தின் ஆழம் குறைந்த ஆழத்தில்), அதாவது. உமிழ்வுகளை "தனிமைப்படுத்த" எளிதானது. ஒழுங்கற்ற மதிப்புகளின் தனிமைப்படுத்தல் அல்காரிதத்தின் முதல் மறு செய்கைகளில் நிகழ்கிறது.
3) நீள்வட்ட உறை மற்றும் புள்ளியியல் முறைகள்
தரவு பொதுவாக விநியோகிக்கப்படும் போது பயன்படுத்தப்படுகிறது. விநியோகங்களின் கலவையின் வால் அளவீடு எவ்வளவு நெருக்கமாக இருக்கிறதோ, அந்த மதிப்பு மிகவும் ஒழுங்கற்றதாக இருக்கும்.
மற்ற புள்ளியியல் முறைகளையும் இந்த வகுப்பில் சேர்க்கலாம்.
dyakonov.org இலிருந்து படம்
4) மெட்ரிக் முறைகள்
முறைகளில் கே-அருகிலுள்ள அண்டை நாடுகள், கே-அருகிலுள்ள அண்டை நாடு, ABOD (கோண அடிப்படையிலான வெளிப்புறக் கண்டறிதல்) அல்லது LOF (உள்ளூர் வெளிப்புற காரணி) போன்ற அல்காரிதம்கள் அடங்கும்.
குணாதிசயங்களில் உள்ள மதிப்புகளுக்கு இடையிலான தூரம் சமமானதாகவோ அல்லது இயல்பாக்கப்பட்டதாகவோ இருந்தால் பொருத்தமானது (கிளிகளில் ஒரு போவா கன்ஸ்டிரிக்டரை அளவிடக்கூடாது).
கே-அருகிலுள்ள அண்டை நாடுகளின் வழிமுறையானது சாதாரண மதிப்புகள் பல பரிமாண இடத்தின் ஒரு குறிப்பிட்ட பகுதியில் அமைந்துள்ளன என்று கருதுகிறது, மேலும் முரண்பாடுகளுக்கான தூரம் பிரிக்கும் ஹைப்பர் பிளேனை விட அதிகமாக இருக்கும்.
5) கிளஸ்டர் முறைகள்
கிளஸ்டர் முறைகளின் சாராம்சம் என்னவென்றால், ஒரு மதிப்பு கிளஸ்டர் மையங்களில் இருந்து ஒரு குறிப்பிட்ட தொகையை விட அதிகமாக இருந்தால், அந்த மதிப்பு முரண்பாடானதாக கருதப்படலாம்.
முக்கிய விஷயம் என்னவென்றால், குறிப்பிட்ட பணியைச் சார்ந்திருக்கும் தரவை சரியாகக் கிளஸ்டர் செய்யும் அல்காரிதத்தைப் பயன்படுத்த வேண்டும்.
6) முதன்மை கூறு முறை
சிதறலில் மிகப்பெரிய மாற்றத்தின் திசைகள் முன்னிலைப்படுத்தப்பட்ட இடத்தில் பொருத்தமானது.
7) நேரத் தொடர் முன்கணிப்பு அடிப்படையிலான அல்காரிதம்கள்
ஒரு மதிப்பு கணிப்பு நம்பிக்கை இடைவெளிக்கு வெளியே விழுந்தால், மதிப்பு முரண்பாடானதாகக் கருதப்படுகிறது. நேரத் தொடரைக் கணிக்க, டிரிபிள் ஸ்மூத்திங், எஸ்(அரிமா), பூஸ்டிங் போன்ற அல்காரிதம்கள் பயன்படுத்தப்படுகின்றன.
நேரத் தொடர் முன்கணிப்பு வழிமுறைகள் முந்தைய கட்டுரையில் விவாதிக்கப்பட்டன.
8) மேற்பார்வையிடப்பட்ட கற்றல் (பின்னடைவு, வகைப்பாடு)
தரவு அனுமதித்தால், நேரியல் பின்னடைவு முதல் மீண்டும் மீண்டும் வரும் நெட்வொர்க்குகள் வரையிலான அல்காரிதங்களைப் பயன்படுத்துவோம். கணிப்புக்கும் உண்மையான மதிப்புக்கும் இடையே உள்ள வேறுபாட்டை அளவிடுவோம், மேலும் தரவு எந்த அளவிற்கு விதிமுறையிலிருந்து விலகுகிறது என்பதை முடிவு செய்வோம். அல்காரிதம் போதுமான பொதுமைப்படுத்தல் திறனைக் கொண்டிருப்பது மற்றும் பயிற்சித் தொகுப்பில் முரண்பாடான மதிப்புகள் இல்லை என்பது முக்கியம்.
9) மாதிரி சோதனைகள்
முரண்பாடுகளைத் தேடும் சிக்கலை பரிந்துரைகளைத் தேடுவதில் உள்ள சிக்கலாக அணுகலாம். SVD அல்லது ஃபேக்டரைசேஷன் இயந்திரங்களைப் பயன்படுத்தி எங்கள் அம்ச மேட்ரிக்ஸை சிதைப்போம், மேலும் புதிய மேட்ரிக்ஸில் உள்ள மதிப்புகளை அசல்வற்றிலிருந்து கணிசமாக வேறுபட்டதாக எடுத்துக்கொள்வோம்.
dyakonov.org இலிருந்து படம்
முடிவுக்கு
இந்த கட்டுரையில், ஒழுங்கின்மை கண்டறிவதற்கான முக்கிய அணுகுமுறைகளை நாங்கள் மதிப்பாய்வு செய்தோம்.
முரண்பாடுகளைக் கண்டுபிடிப்பதை பல வழிகளில் ஒரு கலை என்று அழைக்கலாம். சிறந்த அல்காரிதம் அல்லது அணுகுமுறை எதுவும் இல்லை, இதன் பயன்பாடு அனைத்து சிக்கல்களையும் தீர்க்கிறது. ஒரு குறிப்பிட்ட வழக்கைத் தீர்க்க பெரும்பாலும் முறைகளின் தொகுப்பு பயன்படுத்தப்படுகிறது. ஒரு-வகுப்பு ஆதரவு திசையன் இயந்திரங்கள், காடுகளை தனிமைப்படுத்துதல், மெட்ரிக் மற்றும் கிளஸ்டர் முறைகள், அத்துடன் முதன்மை கூறுகள் மற்றும் நேரத் தொடர் முன்கணிப்பு ஆகியவற்றைப் பயன்படுத்தி ஒழுங்கின்மை கண்டறிதல் மேற்கொள்ளப்படுகிறது.
பிற முறைகள் உங்களுக்குத் தெரிந்தால், கட்டுரையின் கருத்துகளில் அவற்றைப் பற்றி எழுதுங்கள்.
ஆதாரம்: www.habr.com