One-Class SVM わんくらすえすぶいえむ
One-Class SVM異常検知教師なし学習正常データのみ学習ニューラルネット境界
One-Class SVMについて教えて
簡単に言うとこんな感じ！
「正常なデータのパターンだけ」を学習して境界を作り、そこから外れたものを異常と判断するSVMベースの異常検知手法だよ。異常データが全く手に入らない状況でも使えるのが強み。ただし大規模データではIsolation Forestの方が速いんだ！
One-Class SVMとは
One-Class SVM（OCSVM）は、SVMを1クラス分類（異常検知）に応用した手法です。正常データのみで学習し、正常データが高密度に分布する領域を超平面で囲むことで「正常の境界」を定義します。境界の外側にある新しいデータを異常と判定します。
通常のSVMとの違い
通常のSVM（2値分類）:
クラスA（正常）│ クラスB（異常）
↑ 2クラスを分ける境界
One-Class SVM:
┌────────────────────────┐
│ 正常データが集まる領域 │ ← この境界を学習
└────────────────────────┘
境界の外 = 異常主なハイパーパラメータ
| パラメータ | 役割 |
|---|---|
| nu（ν） | 外れ値の割合の上限（0〜1）。汚染率の事前推定 |
| kernel | カーネルの種類（RBFが一般的） |
| gamma | RBFカーネルの幅 |
Isolation Forestとの比較
| 比較項目 | One-Class SVM | Isolation Forest |
|---|---|---|
| 速度 | 遅い（O(n²)） | 速い |
| スケーラビリティ | 低い | 高い |
| 解釈性 | 低い | 低い |
| カーネル | 使える | 使えない |
歴史と背景
- 1999年：Scholkopf らが提案（NIPS 1999）
- 現在：中小規模の教師なし異常検知に使用。大規模はIsolation Forestが主流
関連用語
- SVM — One-Class SVMの基礎理論
- 異常検知 — One-Class SVMが解決するタスク
- Isolation Forest — 大規模データ向けの代替手法
- LOF — 密度ベースの代替手法