新颖性检测模型是否过关？

Question

新颖性检测模型是否过关？在新颖性检测中，对正常数据实例(不受异常值污染)进行培训，在培训过程中不使用标签，而对包含异常值的数据实例进行验证和测试。一个可用于新颖性检测的算法是一类支持向量机(OCSVM)和局部孤立点因子(LOF)。

Answer 1

回答你的问题:是的，取决于你选择的超参数，如果你把正常点和新点之间的分离超平面与输入数据上太多的“形状”相匹配，你可能会超出考虑的正常数据。例如，在一类支持向量机的情况下，有一些重要的超参数，如nu或gamma：

• nu:用这个方法，你告诉oc-SVM你想在输入数据中考虑的新点(即异常)的分数；这样，你不会因为不考虑正常的所有输入数据而过度适合你的模型(这也取决于你的用例，你是否想要对输入数据点的正常度.您可以以这种方式使用scikit-learn包测试它：

用nu=0.01

Vswithnu=0.1，在这里，您告诉模型将更高的分数点视为不正常的：

因此，nu值越低，就越“适合”您的新奇检测器(取决于您对输入数据的了解程度，这可能更好，也可能更糟)。

• 伽马:现在，看看伽马值的影响，它对于你的模型的过度拟合是至关重要的：

对于gamma=0.1 (和rbf内核)，您有以下决策面：

具有伽玛= 10的VS

有了最后一个选择，你就太适合了。