В ہم نے ٹائم سیریز کی پیشن گوئی کے بارے میں بات کی۔ ایک منطقی تسلسل بے ضابطگیوں کی نشاندہی پر ایک مضمون ہوگا۔
درخواست
بے ضابطگی کا پتہ لگانے کا استعمال ان علاقوں میں کیا جاتا ہے جیسے:
1) سامان کی خرابی کی پیش گوئی
اس طرح، 2010 میں، ایرانی سینٹری فیوجز پر Stuxnet وائرس کا حملہ ہوا، جس نے آلات کو غیر بہترین آپریشن کے لیے مقرر کیا اور کچھ آلات کو تیز پہننے کی وجہ سے ناکارہ کردیا۔
اگر آلات پر بے ضابطگی کا پتہ لگانے والے الگورتھم استعمال کیے جاتے تو ناکامی کی صورتحال سے بچا جا سکتا تھا۔
سامان کے آپریشن میں بے ضابطگیوں کی تلاش نہ صرف جوہری صنعت میں بلکہ دھات کاری اور ہوائی جہاز کے ٹربائنوں کے آپریشن میں بھی استعمال ہوتی ہے۔ اور دوسرے علاقوں میں جہاں پیشین گوئی کی تشخیص کا استعمال غیر متوقع خرابی کی وجہ سے ممکنہ نقصانات سے سستا ہے۔
2) دھوکہ دہی کی پیشن گوئی
اگر البانیہ کے پوڈولسک میں آپ کے استعمال کردہ کارڈ سے رقم نکلوائی جاتی ہے، تو لین دین کو مزید چیک کرنے کی ضرورت پڑ سکتی ہے۔
3) صارفین کے غیر معمولی نمونوں کی شناخت
اگر کچھ گاہک غیر معمولی رویے کا مظاہرہ کرتے ہیں، تو ایک مسئلہ ہو سکتا ہے جس سے آپ واقف نہیں ہیں۔
4) غیر معمولی مانگ اور بوجھ کی شناخت
اگر کسی FMCG اسٹور میں فروخت پیشین گوئی کے اعتماد کے وقفے سے کم ہو گئی ہے، تو جو کچھ ہو رہا ہے اس کی وجہ تلاش کرنے کے قابل ہے۔
بے ضابطگیوں کی نشاندہی کرنے کے طریقے
1) ون کلاس ون کلاس ایس وی ایم کے ساتھ ویکٹر مشین کو سپورٹ کریں۔
موزوں ہے جب تربیتی سیٹ میں ڈیٹا عام تقسیم کے مطابق ہو، لیکن ٹیسٹ سیٹ میں بے ضابطگیاں ہوں۔
ون کلاس سپورٹ ویکٹر مشین اصل کے ارد گرد ایک غیر لکیری سطح بناتی ہے۔ کٹ آف کی حد مقرر کرنا ممکن ہے جس کے لیے ڈیٹا کو بے ترتیب سمجھا جاتا ہے۔
ہماری DATA4 ٹیم کے تجربے کی بنیاد پر، ون کلاس SVM بے ضابطگیوں کو تلاش کرنے کے مسئلے کو حل کرنے کے لیے سب سے زیادہ استعمال ہونے والا الگورتھم ہے۔
2) جنگل کا طریقہ الگ تھلگ کریں۔
درختوں کی تعمیر کے "بے ترتیب" طریقہ کے ساتھ، اخراج ابتدائی مراحل میں (درخت کی اتھلی گہرائی میں) پتوں میں داخل ہو جائے گا، یعنی اخراج کو "الگ تھلگ" کرنا آسان ہے۔ غیر متزلزل اقدار کی تنہائی الگورتھم کی پہلی تکرار میں ہوتی ہے۔
3) بیضوی لفافہ اور شماریاتی طریقے
استعمال کیا جاتا ہے جب ڈیٹا عام طور پر تقسیم کیا جاتا ہے. پیمائش تقسیم کے مرکب کی دم سے جتنی قریب ہوگی، قدر اتنی ہی زیادہ غیر متضاد ہوگی۔
دیگر شماریاتی طریقوں کو بھی اس کلاس میں شامل کیا جا سکتا ہے۔
dyakonov.org سے تصویر
4) میٹرک طریقے
طریقوں میں الگورتھم شامل ہیں جیسے k-قریب ترین پڑوسی، k-قریب ترین پڑوسی، ABOD (زاویہ پر مبنی آؤٹ لیئر کا پتہ لگانے) یا LOF (مقامی آؤٹلیئر فیکٹر)۔
مناسب ہے اگر خصوصیات میں اقدار کے درمیان فاصلہ مساوی یا نارمل ہو (تاکہ طوطوں میں بوا کنسٹریکٹر کی پیمائش نہ ہو)۔
k-قریب ترین پڑوسی الگورتھم فرض کرتا ہے کہ عام اقدار کثیر جہتی جگہ کے ایک مخصوص علاقے میں واقع ہیں، اور بے ضابطگیوں کا فاصلہ الگ کرنے والے ہائپر پلین سے زیادہ ہوگا۔
5) کلسٹر کے طریقے
کلسٹر طریقوں کا نچوڑ یہ ہے کہ اگر کوئی قدر کلسٹر مراکز سے ایک خاص مقدار سے زیادہ ہے تو اس قدر کو غیر معمولی سمجھا جا سکتا ہے۔
اہم بات یہ ہے کہ ایک الگورتھم کا استعمال کیا جائے جو ڈیٹا کو صحیح طریقے سے کلسٹر کرتا ہے، جو مخصوص کام پر منحصر ہوتا ہے۔
6) پرنسپل جزو کا طریقہ
مناسب جہاں بازی میں سب سے بڑی تبدیلی کی سمتوں کو نمایاں کیا گیا ہے۔
7) ٹائم سیریز کی پیشن گوئی پر مبنی الگورتھم
خیال یہ ہے کہ اگر کوئی قدر پیشین گوئی کے اعتماد کے وقفے سے باہر آتی ہے، تو قدر کو غیر معمولی سمجھا جاتا ہے۔ ٹائم سیریز کی پیشن گوئی کرنے کے لیے، الگورتھم جیسے ٹرپل اسموتھنگ، S(ARIMA)، بوسٹنگ وغیرہ استعمال کیے جاتے ہیں۔
ٹائم سیریز کی پیشن گوئی الگورتھم پر پچھلے مضمون میں تبادلہ خیال کیا گیا تھا۔
8) زیر نگرانی سیکھنے (رجعت، درجہ بندی)
اگر ڈیٹا اجازت دیتا ہے، تو ہم لکیری ریگریشن سے لے کر ریکرنٹ نیٹ ورکس تک الگورتھم استعمال کرتے ہیں۔ آئیے پیشین گوئی اور اصل قدر کے درمیان فرق کی پیمائش کریں، اور یہ نتیجہ اخذ کریں کہ ڈیٹا کس حد تک معمول سے ہٹ جاتا ہے۔ یہ ضروری ہے کہ الگورتھم میں عام کرنے کی کافی صلاحیت ہو اور تربیتی سیٹ میں غیر معمولی قدریں نہ ہوں۔
9) ماڈل ٹیسٹ
آئیے سفارشات کی تلاش کے مسئلے کے طور پر بے ضابطگیوں کی تلاش کے مسئلے سے رجوع کریں۔ آئیے SVD یا فیکٹرائزیشن مشینوں کا استعمال کرتے ہوئے اپنے فیچر میٹرکس کو گلتے ہیں، اور نئے میٹرکس میں ان اقدار کو لے لیتے ہیں جو اصل سے نمایاں طور پر مختلف ہوتی ہیں۔
dyakonov.org سے تصویر
حاصل يہ ہوا
اس مضمون میں، ہم نے بے ضابطگی کا پتہ لگانے کے اہم طریقوں کا جائزہ لیا۔
بے ضابطگیوں کو تلاش کرنا کئی طریقوں سے ایک فن کہلا سکتا ہے۔ کوئی مثالی الگورتھم یا نقطہ نظر نہیں ہے، جس کے استعمال سے تمام مسائل حل ہو جائیں۔ زیادہ کثرت سے طریقوں کا ایک سیٹ ایک مخصوص کیس کو حل کرنے کے لئے استعمال کیا جاتا ہے. بے ضابطگی کا پتہ لگانے کا کام ون کلاس سپورٹ ویکٹر مشینوں، جنگلات کو الگ کرنے، میٹرک اور کلسٹر کے طریقوں کے ساتھ ساتھ پرنسپل اجزاء اور ٹائم سیریز کی پیشن گوئی کا استعمال کرتے ہوئے کیا جاتا ہے۔
اگر آپ دوسرے طریقے جانتے ہیں، تو مضمون کے تبصروں میں ان کے بارے میں لکھیں۔
ماخذ: www.habr.com