One-Class SVM Pencilan - Platform For AI

One-Class Support Vector Machine (SVM) adalah algoritma pembelajaran mesin tanpa pengawasan yang berbeda dari algoritma SVM tradisional. Komponen One-Class SVM Outlier dapat digunakan untuk mendeteksi pencilan dengan mempelajari batas keputusan. Topik ini menjelaskan cara mengonfigurasi Komponen One-Class SVM Outlier di Platform for AI (PAI).

Batasan

Komponen One-Class SVM Outlier hanya dapat digunakan berdasarkan sumber daya komputasi MaxCompute.

Konfigurasi komponen

Anda dapat menggunakan salah satu metode berikut untuk mengonfigurasi parameter Komponen One-Class SVM Outlier:

Metode 1: Konfigurasikan komponen di konsol PAI

Konfigurasikan komponen pada halaman pipeline Machine Learning Designer. Tabel berikut menjelaskan parameter tersebut.

Tab	Parameter	Deskripsi
Field Setting	featureCols	Sebuah larik nama kolom fitur.
	groupCols	Sebuah larik nama kolom grup.
	tensorCol	Kolom tensor.
	vectorCol	Nama kolom vektor.
Parameter Setting	Prediction Result Column	Nama kolom hasil prediksi.
	coef0	Parameter coef0 dari fungsi kernel. Nilai default: 0,0. null Parameter ini hanya berlaku jika tipe fungsi kernel adalah polinomial atau sigmoid.
	degree	Degree polinomial.
	epsilon	Nilai yang ingin Anda peroleh dari hasil pelatihan sebelum iterasi berhenti. Nilai default: 1,0E-6.
	gamma	Parameter gamma dari fungsi kernel. Nilai default: -1,0. null Parameter ini hanya berlaku jika tipe fungsi kernel adalah RBF, polinomial, atau sigmoid. Jika Anda tidak mengonfigurasi parameter ini, nilai default 1/dimensi data digunakan.
	kernelType	Tipe fungsi kernel. Nilai valid: RBF POLY SIGMOID LINEAR
	maxOutlierNumPerGroup	Jumlah maksimum pencilan per grup.
	maxOutlierRatio	Rasio maksimum pencilan yang dideteksi oleh algoritma.
	maxSampleNumPerGroup	Jumlah maksimum sampel per grup.
	nu	Parameter nu dari fungsi kernel. Parameter ini berkorelasi positif dengan jumlah vektor pendukung. Nilai valid: (0,1). Nilai default: 0,01.
	outlierThreshold	Jika skor melebihi ambang batas yang ditentukan, titik data dianggap sebagai titik anomali.
	Column name of detail prediction information	Nama kolom detail prediksi.
	numThreads	Jumlah thread komponen.
Execute Tuning	Number of Workers	Jumlah node worker. Nilainya harus bilangan bulat positif. Parameter ini harus digunakan bersama dengan parameter Memory per worker. Nilai valid: 1 hingga 9999.
Execute Tuning	Memory per worker	Ukuran memori setiap node worker. Unit: MB. Nilainya harus bilangan bulat positif. Anda harus menentukan nilai dari 1024 hingga 65536.

Metode 2: Konfigurasikan komponen menggunakan kode Python

Anda dapat mengonfigurasi Komponen One-Class SVM Outlier menggunakan komponen PyAlink Script untuk memanggil kode Python. Untuk informasi lebih lanjut, lihat skrip PyAlink.

Parameter	Wajib	Deskripsi	Nilai default
predictionCol	Ya	Nama kolom hasil prediksi.	N/A
degree	Tidak	Degree polinomial.	2
epsilon	Tidak	Nilai yang ingin Anda peroleh dari hasil pelatihan sebelum iterasi berhenti.	1,0E-6
featureCols	Tidak	Sebuah larik nama kolom fitur.	Pilih Semua
groupCols	Tidak	Larik nama kolom grup.	N/A
maxOutlierNumPerGroup	Tidak	Jumlah maksimum pencilan per grup.	N/A
maxOutlierRatio	Tidak	Rasio maksimum pencilan yang dideteksi oleh algoritma.	N/A
maxSampleNumPerGroup	Tidak	Jumlah maksimum sampel per grup.	N/A
outlierThreshold	Tidak	Jika skor melebihi ambang batas yang ditentukan, titik data dianggap sebagai titik anomali.	N/A
predictionDetailCol	Tidak	Nama kolom detail prediksi.	N/A
tensorCol	Tidak	Nama kolom tensor.	N/A
vectorCol	Tidak	Nama kolom vektor.	N/A
kernelType	Tidak	Tipe fungsi kernel. Nilai valid: RBF POLY SIGMOID LINEAR	RBF
coef0	Tidak	Parameter coef0 dari fungsi kernel. null Parameter ini hanya berlaku jika tipe fungsi kernel adalah polinomial atau sigmoid.	0,0
gamma	Tidak	Parameter gamma dari fungsi kernel. null Parameter ini hanya berlaku jika tipe fungsi kernel adalah RBF, polinomial, atau sigmoid. Jika Anda tidak mengonfigurasi parameter ini, nilai default 1/dimensi data digunakan.	-1,0
nu	Tidak	Parameter nu dari fungsi kernel. Parameter ini berkorelasi positif dengan jumlah vektor pendukung. Nilai valid: (0,1).	0,01
numThreads	Tidak	Jumlah thread komponen.	1

Contoh kode Python:

df = pd.DataFrame([
[0.730967787376657,0.24053641567148587,0.6374174253501083,0.5504370051176339],
[0.7308781907032909,0.41008081149220166,0.20771484130971707,0.3327170559595112],
[0.7311469360199058,0.9014476240300544,0.49682259343089075,0.9858769332362016],
[0.731057369148862,0.07099203475193139,0.06712000939049956,0.768156984078079],
[0.7306094602878371,0.9187140138555101,0.9186071189908658,0.6795571637816596],
[0.730519863614471,0.08825840967622589,0.4889045498516358,0.461837214623537],
[0.7307886238322471,0.5796252073129174,0.7780122870716483,0.11499709190022733],
[0.7306990420600421,0.7491696031336331,0.34830970303125697,0.8972771427421047]])

# muat data
data = BatchOperator.fromDataframe(df, schemaStr="x1 double, x2 double, x3 double, x4 double")

OcsvmOutlierBatchOp() \
            .setFeatureCols(["x1", "x2", "x3", "x4"]) \
            .setGamma(0.5) \
            .setNu(0.1) \
            .setKernelType("RBF") \
            .setPredictionCol("pred").linkFrom(data).print()