AI-woordenlijst
Het complete woordenboek van kunstmatige intelligentie
SVM One-Class
Algorithme d'apprentissage automatique qui apprend une frontière de décision autour des données normales pour identifier les anomalies en détectant les points qui s'écartent de cette frontière.
Support vectors
Points de données normaux situés sur la frontière de décision qui définissent la forme et la position de l'hypersphère englobant les données normales.
Fonction à noyau RBF
Fonction Kernel à base de fonctions radiales qui transforme non-linéairement les données dans un espace de plus grande dimension pour capturer des relations complexes dans les données normales.
Nu-SVM One-Class
Variante du One-Class SVM utilisant le paramètre nu pour contrôler approximativement la proportion d'anomalies attendues et le compromis entre erreur et marge.
Contour de densité
Ligne ou surface dans l'espace des caractéristiques représentant une densité de probabilité constante, utilisée par One-Class SVM pour délimiter la région des données normales.
Apprentissage sur données normales
Approche d'entraînement où le modèle apprend uniquement à partir d'exemples normaux pour définir une frontière de normalité sans nécessiter d'exemples d'anomalies.
Distance à l'origine
Mesure utilisée dans One-Class SVM pour évaluer à quel point un point s'écarte du centre de la distribution des données normales dans l'espace transformé.
Paramètre gamma
Hyperparamètre de la fonction à noyau RBF contrôlant l'influence d'un seul exemple d'entraînement, affectant la flexibilité de la frontière de décision.
Vectorisation des données
Processus de conversion des données brutes en vecteurs numériques dans un espace de grande dimension, prérequis pour l'application des algorithmes SVM.
Détection d'outliers univariée
Application spécifique de One-Class SVM pour détecter des anomalies dans des données à une seule dimension en modélisant la distribution des valeurs normales.
Robustesse aux anomalies
Capacité du modèle One-Class SVM à maintenir ses performances de détection face à des distributions changeantes ou des types d'anomalies non vus durant l'entraînement.