정상 영역을 학습하기
정상 상태를 대표하는 관측을 모아 경계를 학습한 뒤, 새 관측이 경계 안쪽인지 바깥쪽인지 살펴볼 수 있다. 학습 자료에 모든 유형의 이상 사례와 정답이 있어야 하는 구조는 아니다. 다만 학습 자료가 실제 정상 상태의 다양성을 충분히 담지 못하면 드문 정상 사례를 이상으로 판단할 수 있다.
점수와 판정
구현에서 원시 점수에서 기준값을 빼 결정 함수를 정의한다고 하자. 기준값이 1이고 두 표본의 원시 점수가 1.2와 0.7이면 결정값은 각각 0.2와 -0.3이다. 양수를 내부, 음수를 외부로 판정하는 규칙에서는 두 표본의 판정이 갈린다. 이 숫자는 점수의 의미를 설명하기 위한 예제이며 학습 결과가 아니다. 결정값 0.2를 정상 확률 20퍼센트라고 읽어서는 안 된다.
커널과 ν
비선형 커널은 입력 공간에서 복잡한 경계를 표현할 수 있지만 커널 폭과 변수 단위에 민감할 수 있다. ν는 학습 오차 비율의 상한과 서포트 벡터 비율의 하한에 관련된 매개변수다. 이 이론적 역할을 실제 새 자료의 이상 비율과 동일하게 취급해서는 안 된다. 수치 오차와 퇴화한 자료의 영향도 확인해야 한다.
검증과 운용
학습 자료에 이상 관측이 많이 섞이면 추정한 경계도 영향을 받을 수 있다. 시간에 따라 정상 패턴이 바뀌는 경우에는 과거 기준이 계속 적합한지 검토한다. 가능한 범위에서 별도로 검토한 정상·이상 자료로 오탐과 미탐을 확인하고 다른 탐지 방법과 비교한다. 모형이 외부로 분류했다는 사실만으로 그 관측이 잘못되었거나 유해하다고 단정하지 않는다.
관련 문서
서포트 벡터 머신 / 아이솔레이션 포레스트 / 국소 이상 인자 / 이상치 / 분류 / 기계 학습