[Non supervisé] SVM à une classe

Bonjour,

Dans un projet, je dois détecter des anomalies automatiquement grâce à un algorithme ;*je n’ai pas d’exemple d’anomalie, c’est pourquoi j’ai choisi un algorithme d’apprentissage non-supervisé.
J’ai décidé de prendre l’algorithme « One-class SVM » disponible dans la bibliothèque « scikit-learn » ;*je pense que cet algorithme saura répondre à mon problème.
J’ai essayé de comprendre l’exemple fournit sur le site scikit-learn.org, mais il y a pas mal de choses que je ne comprends pas. J’ai cherché des tutoriels, des explications sur internet ou d’autres exemples, mais je n’en ai pas trouvé.

Quelqu’un peut-il m’éclairer à ce sujet, ou, s’il en connaît un, me donner un lien vers une explication plus approfondie ?

Merci

le principe d'une svm est de trouver un hyper plan qui coupe les données de manière a avoir un demi espace avec toutes les observations de la classe a et l'autre demi espace avec la classe b. le plan choisit par l'algorithme est particulier, c'est celui qui maximise la marge. (d'ou le nom : séparateur a vaste marge)
cette algo est a la base un classifieur lineaire. pour l'utiliser sur des problème non linèaire, on utilise une astuce classique, le kernel trick. on change l'espace de représentation des données pour se placer dans un espace dans lequel le problème est linéaire. dans ton exemple il est spécifier "rbf" comme noyaux.

la svm une classe :
une svm une classe ça n'existe pas. comment trouver un plan qui sépare deux classes si tu n'en a qu'une ^^?
pour palier a ça on choisit une autre stratégie classique d'entrainement, la classe de réjection.
le principe est de générer des échantillons négatif (qui doivent être rejeté par le classifieur). tes performances vont dépendre de comment tu va générer tes échantillons, de leur nombre, etc..


dans ton exemple, il semble que le code fit une gaussienne autour de tes inliers pour definir une frontière, ensuite il doit générer des points en dehors de cette frontière pour créer la classe de réjection.
Ou et comment sont générés ces point est a ta discrétion.

Pour faire simple, en plus de tes données initiales avec lesquelles tu vas entraîner ton système, ton programme est très dépendant de 2 autres chose,
ta stratégie de génération des outliers (classe de rejection)
le noyaux que tu choisis pour classifier les données

Bonjour,

Attention : La détection d'anomalie est d'une manière ou d'une autre supervisée.

Tu devras toujours définir un seuil plus ou moins complexe.

Au plaisir de te lire.

Merci pour vos réponses dont je viens de d’apercevoir la présence :oops:

J’ai utilisé l’algorithme « one class SVM » en suivant l’exemple du lien du premier post

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

def oneClassSVM(X_train, X_test): print("One class SVM") # Appel de la fonction/classe(?) OneClassSVM() clf = svm.OneClassSVM() # Création du modèle clf.fit(X_train) # Traitement des données de X_test y_pred_test = clf.predict(X_test) print("Affichage") # Là, je ne comprends pas trop jusqu’à la fin xx, yy = np.meshgrid(np.linspace(-3, 88), np.linspace(-1, 50)) Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) plt.title("Isolation forest") plt.contourf(xx, yy, Z, cmap=plt.cm.Blues_r) b = plt.scatter(X_test[:, 0], X_test[:, 1], c='black') plt.show()

---

Je lui ai passé deux ensembles X_train plus petit que X_test et j’ai obtenu un magnifique schéma avec plein de couleurs qui, finalement, ne m’aide pas beaucoup:

Pièce jointe 232498

En fait, j’ai du mal à comprendre la partie :

Code:

---

1 2 3 4 5 6 7 8 9

# Là, je ne comprends pas trop jusqu’à la fin xx, yy = np.meshgrid(np.linspace(-3, 88), np.linspace(-1, 50)) Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) plt.title("Isolation forest") plt.contourf(xx, yy, Z, cmap=plt.cm.Blues_r) b = plt.scatter(X_test[:, 0], X_test[:, 1], c='black') plt.show()

---

Qu’est-ce qu’exactement un linspace ? une meshgrid ? c_ ? ravel() (je n’ai pas du tout compris le résumé de la documentation de celui-ci) ? decision_function ? reshape ? shape ? et à quoi servent-ils ?

Y a-t-il un endroit où je peux en apprendre plus de manière détaillée (autre que la documentation python que je trouve mal faite parfois) ?

Merci 😁