enklasificering

Enklassificering, eller one-class classification, är en metod inom maskininlärning där modellen tränas med data från endast en klass, vanligen den normala klassen. Syftet är att kunna identifiera nya observationer som avviker från denna norm, det vill säga outliers eller avvikande händelser. Tekniken används när negativa exempel saknas eller är mycket sällsynta, vilket gör traditionell binär klassificering mindre lämplig.

Vanliga metoder inkluderar one-class Support Vector Machines (OC-SVM), som avbildar en gräns i featureutrymmet; sannolikhetsdensitetsestimering för den normala klassen (t.ex. Gaussian eller kernel-density estimation); och metoder som one-class kNN. Djupinlärning används också, exempelvis autoencoders och variational autoencoders som lär sig en kompakt representation av normal data och flaggar avvikningar som dåligt rekonstruerade. Isolations-träd, eller Isolation Forest, används ofta för outlier-detektion utan att explicit modellera den normala distributionen.

Användningsområden inkluderar nätverks- och systemövervakning (upptäcka intrång eller fel i realtid), finansiell övervakning (bedrägerier), medicinska övervakningssystem (avvikande vitalparametrar) och felanalys i industriell utrustning. Eftersom endast normala data ofta finns tillgängliga, innebär enklassificering ofta utmaningar kopplade till hur man sätter tröskeln för vad som räknas som normalt, samt hur man tolkar och hanterar data med hög dimension.

Utmaningar och krav inkluderar behovet av representativt normaldata, hantering av konceptförändringar (drift i data över tid), risken för falska positiva och negativa, samt valet av lämpliga algoritmer och hyperparametrar. Utvärdering av modeller vid enklassklassificering är ofta beroende av tillgång till märkta avvikande exempel för testning, eller användning av osupervised- eller semi-supervised mått.