文件名称：matlab精度检验代码-kPCA:用于新颖性检测的内核PCA
文件大小：1.06MB
文件格式：ZIP
更新时间：2024-06-10 21:12:32
系统开源
matlab精度检验代码用于新颖性检测的内核PCA [] 介绍 异常（异常值或新颖性）检测方法的目标是在数据集中检测以常规背景点为主的异常点。 从定义上讲，异常是罕见的，并且通常是由不同的基础过程产生的[，]。 异常检测在医学，欺诈检测，故障检测和遥感等方面都有应用[，]。 背景数据通常是由底层的非线性过程产生的。 基于内核的方法旨在更好地对转换后的非线性特征空间（F）中的数据进行建模。 内核函数可以有效地计算F中的内积，而无需显式计算映射。 在这些用于异常检测的方法中，最流行的是一类支持向量机（OC-SVM），它将数据与F []中的原点分开。 对于高斯径向基函数（rbf）内核，此过程等效于将数据球形封装在F中。 PCA内核（原始结果） Hoffman认为OC-SVM产生的边界太大而无法紧密建模背景数据，从而激发了误报率，从而激发了内核PCA。 霍夫曼通过使用内核PCA（kPCA）对背景点之间的关系进行更好的建模，从而充分利用了内核技术的优势和SVM的潜在局限性。 F和背景模型中的点分离（霍夫曼称其为“重建误差”）是异常评分。 霍夫曼首先概述了在特征空间中执行PCA的过程，以及如何仅使
【文件预览】：
kPCA-master
----kPCA_tests.py(9KB)
----methods()
--------__pycache__()
--------kpca.py(13KB)
--------pca.py(2KB)
----README.md(19KB)
----Figures()
--------Circles.png(56KB)
--------Circles Boundary.png(295KB)
--------Glass roc.png(35KB)
--------Cancer roc.png(37KB)
--------Digit0 roc.png(38KB)
--------Glass.png(55KB)
--------Ionosphere roc.png(37KB)
--------Digit0.png(52KB)
--------Circles roc2.png(40KB)
--------Roll roc2.png(39KB)
--------Ionosphere.png(61KB)
--------Roll Boundary.png(232KB)
--------Cancer.png(55KB)
--------Roll.png(63KB)
----utils()
--------utils.py(3KB)
--------__pycache__()
----datasets()
--------dataLoader.py(11KB)
--------cancer.csv(15KB)
--------__pycache__()
--------dataExplorer.m(48B)
--------ionosphere.csv(73KB)
--------glass.csv(9KB)