One Class SVM异常检测模型训练 (OcsvmModelOutlierTrainBatchOp)

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

Python 类名：OcsvmModelOutlierTrainBatchOp

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	取值范围	默认值
coef0	Kernel函数的相关参数coef0	Kernel函数的相关参数，只有在POLY和SIGMOID时起作用。	Double		0.0
degree	多项式阶数	多项式的阶数，默认2	Integer	x >= 1	2
eps	收敛阈值	迭代算法的收敛阈值	Double		0.001
featureCols	特征列名数组	特征列名数组，默认全选	String[]	所选列类型为 [BIGDECIMAL, BIGINTEGER, BYTE, DOUBLE, FLOAT, INTEGER, LONG, SHORT]	null
gamma	Kernel函数的相关参数gamma	Kernel函数的相关参数，只在 RBF, POLY 和 SIGMOID 时起作用. 如果不设置默认取 1/d，d为特征维度.	Double		-1.0
kernelType	核函数类型	核函数类型，可取为“RBF”，“POLY”，“SIGMOID”，“LINEAR”	String	“RBF”, “POLY”, “SIGMOID”, “LINEAR”	“RBF”
nu	异常点比例上界参数nu	该参数取值范围是(0,1)，该值与支持向量的数目正向相关。	Double		0.001
tensorCol	tensor列	tensor列	String	所选列类型为 [BOOL_TENSOR, BYTE_TENSOR, DOUBLE_TENSOR, FLOAT_TENSOR, INT_TENSOR, LONG_TENSOR, STRING, STRING_TENSOR, TENSOR, UBYTE_TENSOR]	null
vectorCol	向量列名	向量列对应的列名，默认值是null	String	所选列类型为 [DENSE_VECTOR, SPARSE_VECTOR, STRING, VECTOR]	null

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