Notice
Recent Posts
Recent Comments
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | ||||
4 | 5 | 6 | 7 | 8 | 9 | 10 |
11 | 12 | 13 | 14 | 15 | 16 | 17 |
18 | 19 | 20 | 21 | 22 | 23 | 24 |
25 | 26 | 27 | 28 | 29 | 30 | 31 |
Tags
- SQL 데이터 분석 첫걸음
- Generative modeling
- PM4Py
- Inatance segmentation
- One-Sided Selection
- Digital Pathology
- Condensed neares neighbor rule
- Gausian Density Estimation
- Fixed Learning
- Sequence data
- Process Mining
- 딥러닝
- GAN
- Text generation
- Petri net
- XAI
- auto encoder
- Random Undersampling
- Tomek links
- 프로세스 마이닝
- Grad-CAM
- 거리 기반 이상탐지
- Meta heuristic
- Data Imbalance
- OCSVM
- 국비지원교육
- Clustering 기반 이상탐지
- 병리 AI
- 밀도 기반 이상탐지
- multi modal
Archives
- Today
- Total
목록OCSVM (1)
Create Opportunities

경계 기반 이상탐지 기법 1) One-class SVM (1-SVM) 일단 SVM을 요약해보면, : 데이터 공간상에서 정상과 이상을 구분하는 경계선(= 판별 함수)을 직접 정의한다. 고차원 상에서의 SVM 학습은 Hyperplane을 구하는 것이다. 아니, 근데 정상만으로 학습하는데 정상과 이상의 분류 경계선을 어떻게 설정할 수 있냐 ? → 이게 핵심이다. hyperplane으로부터 각 class의 가장 인접한 관측치까지의 거리 (= Margin) 를 최대화!! outlier에 강건하게, generalization 성능을 높이도록 hyperplane을 찾아야 한다. 위 수식은 SVM의 핵심이며, 증명은 그리 어렵지 않다... 잘 생각해보면 된다. 저차원 → 고차원(kernel trick) Mapping하..
이상 탐지
2022. 12. 2. 15:20