В
అప్లికేషన్
క్రమరాహిత్య గుర్తింపు వంటి ప్రాంతాలలో ఉపయోగించబడుతుంది:
1) పరికరాల విచ్ఛిన్నాల అంచనా
అందువలన, 2010లో, ఇరానియన్ సెంట్రిఫ్యూజ్లు స్టక్స్నెట్ వైరస్ ద్వారా దాడి చేయబడ్డాయి, ఇది పరికరాలను నాన్-ఆప్టిమల్ ఆపరేషన్కు సెట్ చేసింది మరియు వేగవంతమైన దుస్తులు కారణంగా కొన్ని పరికరాలను నిలిపివేసింది.
పరికరాలపై క్రమరాహిత్యాలను గుర్తించే అల్గారిథమ్లను ఉపయోగించినట్లయితే, వైఫల్యం పరిస్థితిని నివారించవచ్చు.
పరికరాల ఆపరేషన్లో క్రమరాహిత్యాల కోసం అన్వేషణ అణు పరిశ్రమలో మాత్రమే కాకుండా, మెటలర్జీ మరియు ఎయిర్క్రాఫ్ట్ టర్బైన్ల ఆపరేషన్లో కూడా ఉపయోగించబడుతుంది. మరియు ఊహించలేని విచ్ఛిన్నం కారణంగా సాధ్యమయ్యే నష్టాల కంటే ప్రిడిక్టివ్ డయాగ్నస్టిక్స్ ఉపయోగం చౌకగా ఉన్న ఇతర ప్రాంతాలలో.
2) మోసం అంచనా
అల్బేనియాలోని పోడోల్స్క్లో మీరు ఉపయోగించే కార్డ్ నుండి డబ్బు విత్డ్రా చేయబడితే, లావాదేవీలను మరింత తనిఖీ చేయాల్సి ఉంటుంది.
3) అసాధారణ వినియోగదారుల నమూనాల గుర్తింపు
కొంతమంది కస్టమర్లు అసాధారణ ప్రవర్తనను ప్రదర్శిస్తే, మీకు తెలియని సమస్య ఉండవచ్చు.
4) అసాధారణ డిమాండ్ మరియు లోడ్ యొక్క గుర్తింపు
ఎఫ్ఎంసిజి స్టోర్లో విక్రయాలు సూచన విశ్వాస విరామం కంటే తక్కువగా ఉంటే, ఏమి జరుగుతుందో దాని కారణాన్ని కనుగొనడం విలువ.
క్రమరాహిత్యాలను గుర్తించే విధానాలు
1) వన్ క్లాస్ వన్-క్లాస్ SVMతో వెక్టార్ మెషీన్కు మద్దతు ఇవ్వండి
శిక్షణ సెట్లోని డేటా సాధారణ పంపిణీని అనుసరించినప్పుడు అనుకూలం, కానీ పరీక్ష సెట్లో క్రమరాహిత్యాలు ఉంటాయి.
వన్-క్లాస్ సపోర్ట్ వెక్టర్ మెషిన్ మూలం చుట్టూ నాన్ లీనియర్ ఉపరితలాన్ని నిర్మిస్తుంది. డేటా క్రమరహితంగా పరిగణించబడే కటాఫ్ పరిమితిని సెట్ చేయడం సాధ్యపడుతుంది.
మా DATA4 బృందం అనుభవం ఆధారంగా, అసాధారణతలను కనుగొనడంలో సమస్యను పరిష్కరించడానికి వన్-క్లాస్ SVM అనేది సాధారణంగా ఉపయోగించే అల్గారిథమ్.
2) వివిక్త అటవీ పద్ధతి
చెట్లను నిర్మించే "యాదృచ్ఛిక" పద్ధతిలో, ఉద్గారాలు ప్రారంభ దశలలో (చెట్టు యొక్క నిస్సార లోతులో) ఆకులలోకి ప్రవేశిస్తాయి, అనగా. ఉద్గారాలను "వేరుచేయడం" సులభం. క్రమరహిత విలువల యొక్క ఐసోలేషన్ అల్గోరిథం యొక్క మొదటి పునరావృతాలలో సంభవిస్తుంది.
3) ఎలిప్టిక్ ఎన్వలప్ మరియు గణాంక పద్ధతులు
డేటా సాధారణంగా పంపిణీ చేయబడినప్పుడు ఉపయోగించబడుతుంది. కొలత పంపిణీల మిశ్రమం యొక్క తోకకు దగ్గరగా ఉంటుంది, విలువ మరింత క్రమరహితంగా ఉంటుంది.
ఇతర గణాంక పద్ధతులను కూడా ఈ తరగతిలో చేర్చవచ్చు.
dyakonov.org నుండి చిత్రం
4) మెట్రిక్ పద్ధతులు
పద్ధతుల్లో k-సమీప పొరుగువారు, k-సమీప పొరుగువారు, ABOD (కోణం-ఆధారిత అవుట్లియర్ డిటెక్షన్) లేదా LOF (లోకల్ అవుట్లియర్ ఫ్యాక్టర్) వంటి అల్గారిథమ్లు ఉన్నాయి.
లక్షణాలలో విలువల మధ్య దూరం సమానంగా లేదా సాధారణీకరించబడి ఉంటే (చిలుకలలో బోవా కన్స్ట్రిక్టర్ను కొలవకుండా) తగినది.
k-సమీప పొరుగువారి అల్గోరిథం సాధారణ విలువలు బహుళ డైమెన్షనల్ స్థలం యొక్క నిర్దిష్ట ప్రాంతంలో ఉన్నాయని ఊహిస్తుంది మరియు క్రమరాహిత్యాలకు దూరం వేరు చేసే హైపర్ప్లేన్ కంటే ఎక్కువగా ఉంటుంది.
5) క్లస్టర్ పద్ధతులు
క్లస్టర్ పద్ధతుల యొక్క సారాంశం ఏమిటంటే, క్లస్టర్ కేంద్రాల నుండి ఒక నిర్దిష్ట మొత్తం కంటే ఎక్కువ విలువ ఉన్నట్లయితే, విలువను క్రమరహితంగా పరిగణించవచ్చు.
ప్రధాన విషయం ఏమిటంటే, డేటాను సరిగ్గా క్లస్టర్ చేసే అల్గోరిథంను ఉపయోగించడం, ఇది నిర్దిష్ట పనిపై ఆధారపడి ఉంటుంది.
6) ప్రధాన భాగం పద్ధతి
చెదరగొట్టడంలో గొప్ప మార్పు యొక్క దిశలు హైలైట్ చేయబడిన చోట అనుకూలం.
7) సమయ శ్రేణి అంచనా ఆధారంగా అల్గారిథమ్లు
అంచనా విశ్వాస విరామం వెలుపల విలువ పడిపోతే, విలువ క్రమరహితంగా పరిగణించబడుతుంది. సమయ శ్రేణిని అంచనా వేయడానికి, ట్రిపుల్ స్మూటింగ్, S(ARIMA), బూస్టింగ్ మొదలైన అల్గారిథమ్లు ఉపయోగించబడతాయి.
సమయ శ్రేణిని అంచనా వేసే అల్గారిథమ్లు మునుపటి కథనంలో చర్చించబడ్డాయి.
8) పర్యవేక్షించబడిన అభ్యాసం (రిగ్రెషన్, వర్గీకరణ)
డేటా అనుమతించినట్లయితే, మేము లీనియర్ రిగ్రెషన్ నుండి పునరావృత నెట్వర్క్ల వరకు అల్గారిథమ్లను ఉపయోగిస్తాము. అంచనా మరియు వాస్తవ విలువ మధ్య వ్యత్యాసాన్ని కొలిద్దాము మరియు డేటా కట్టుబాటు నుండి ఏ మేరకు వైదొలిగిందో ముగింపును తీసుకుందాం. అల్గోరిథం తగినంత సాధారణీకరణ సామర్థ్యాన్ని కలిగి ఉండటం మరియు శిక్షణా సమితి క్రమరహిత విలువలను కలిగి ఉండకపోవడం ముఖ్యం.
9) మోడల్ పరీక్షలు
క్రమరాహిత్యాల కోసం శోధించే సమస్యను సిఫార్సుల కోసం శోధించే సమస్యగా పరిశీలిద్దాం. SVD లేదా ఫ్యాక్టరైజేషన్ మెషీన్లను ఉపయోగించి మా ఫీచర్ మ్యాట్రిక్స్ని విడదీయండి మరియు అసలైన వాటి నుండి గణనీయంగా భిన్నంగా ఉండే కొత్త మ్యాట్రిక్స్లోని విలువలను క్రమరహితంగా తీసుకుందాం.
dyakonov.org నుండి చిత్రం
తీర్మానం
ఈ ఆర్టికల్లో, క్రమరాహిత్యాలను గుర్తించే ప్రధాన విధానాలను మేము సమీక్షించాము.
క్రమరాహిత్యాలను కనుగొనడం అనేక విధాలుగా ఒక కళగా పిలువబడుతుంది. ఆదర్శవంతమైన అల్గోరిథం లేదా విధానం లేదు, దీని ఉపయోగం అన్ని సమస్యలను పరిష్కరిస్తుంది. ఒక నిర్దిష్ట కేసును పరిష్కరించడానికి చాలా తరచుగా పద్ధతుల సమితిని ఉపయోగిస్తారు. వన్-క్లాస్ సపోర్ట్ వెక్టార్ మెషీన్లు, అడవులను వేరుచేయడం, మెట్రిక్ మరియు క్లస్టర్ పద్ధతులు, అలాగే ప్రిన్సిపల్ కాంపోనెంట్లు మరియు టైమ్ సీరీస్ ఫోర్కాస్టింగ్ని ఉపయోగించి అనోమలీ డిటెక్షన్ నిర్వహించబడుతుంది.
మీకు ఇతర పద్ధతులు తెలిస్తే, వ్యాసానికి వ్యాఖ్యలలో వాటి గురించి వ్రాయండి.
మూలం: www.habr.com