One Class SVM异常检测模型预测 (OcsvmModelOutlierPredictBatchOp)

Java 类名：com.alibaba.alink.operator.batch.outlier.OcsvmModelOutlierPredictBatchOp

Python 类名：OcsvmModelOutlierPredictBatchOp

功能介绍

• 与传统SVM不同的是，one-class SVM是一种非监督的学习算法，经常被用来做异常点检测。在该算法的训练集中只有一类positive（或者negative）的数据，而没有（或存在极少量）另外一类，通常称其为异常点。该算法需要学习（learn）的就是边界（boundary），而不是最大间隔（maximum margin），通过边界对异常点进行预测。

参数说明

名称	中文名称	描述	类型	是否必须？	取值范围	默认值
predictionCol	预测结果列名	预测结果列名	String	✓
modelFilePath	模型的文件路径	模型的文件路径	String			null
outlierThreshold	异常评分阈值	只有评分大于该阈值才会被认为是异常点	Double
predictionDetailCol	预测详细信息列名	预测详细信息列名	String
reservedCols	算法保留列名	算法保留列	String[]			null
numThreads	组件多线程线程个数	组件多线程线程个数	Integer			1

代码示例

Python 代码

data = RandomTableSourceBatchOp()\
    .setNumCols(5)\
    .setNumRows(1000)\
    .setIdCol("id")\
    .setOutputCols(["x1", "x2", "x3", "x4"])

dataTest = data
ocsvm = OcsvmModelOutlierTrainBatchOp().setFeatureCols(["x1", "x2", "x3", "x4"]).setGamma(0.5).setNu(0.1).setKernelType("RBF")
model = data.link(ocsvm)
predictor = OcsvmModelOutlierPredictBatchOp().setPredictionCol("pred")
predictor.linkFrom(model, dataTest).print()

java 代码

package com.alibaba.alink.operator.batch.outlier;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.source.RandomTableSourceBatchOp;
import org.junit.Test;

public class OneClassSvmTrainBatchOpTest {

	@Test
	public void testPipelineTable() throws Exception {
		BatchOperator <?> data = new RandomTableSourceBatchOp()
			.setNumCols(5)
			.setNumRows(1000L)
			.setIdCol("id")
			.setOutputCols("x1", "x2", "x3", "x4");

		OcsvmModelOutlierTrainBatchOp model = new OcsvmModelOutlierTrainBatchOp()
			.setFeatureCols(new String[] {"x1", "x2", "x3", "x4"})
			.setGamma(0.5)
			.setNu(0.1)
			.setKernelType("RBF").linkFrom(data);
		new OcsvmModelOutlierPredictBatchOp().setPredictionCol("pred").linkFrom(model, data).print();
	}
}

运行结果

id	x1	x2	x3	x4	pred
0	0.7310	0.2405	0.6374	0.5504	false
12	0.5975	0.3332	0.3852	0.9848	false
24	0.8792	0.9412	0.2750	0.1289	true
36	0.1466	0.0232	0.5467	0.9645	true
48	0.1045	0.6251	0.4108	0.7763	false
60	0.9907	0.4872	0.7462	0.7332	false
…	…	…	…	…	…
997	0.1339	0.0831	0.9786	0.7224	true
998	0.7150	0.1432	0.4630	0.0045	false
999	0.0715	0.3484	0.3388	0.8594	false