【发布时间】：2018-07-15 07:01:57
【问题描述】：
我创建了一个 One-class SVM，用于检测振动数据中的异常情况以进行状态监测。
我的想法是以此作为扩展系统的基础。我想对检测到的异常进行聚类，并询问有关这些聚类的用户输入，以便我不仅可以检测到异常，还可以对它们进行分类。
一旦以相当高的确定性检测到集群，是否有任何算法允许我增加 SVM 中的类数量？
【问题讨论】：
标签： scikit-learn svm
【发布时间】：2018-07-15 07:01:57
【问题描述】：
在此任务中使用SVM 是个好主意吗？考虑另一种模型，例如神经网络（基本MLP 架构）。那些能够固有地执行多类分类。
您可以做的是，最初使用两个输出节点对您的数据进行训练，一个用于不检测，一个用于您的类。在最后一层使用 softmax 函数并优化交叉熵函数。在初始训练后并根据用户请求，添加另一个输出节点并使用每个新提供的样本微调您的模型。您的体重不会减轻，您只需对每个新课程进行一些微调。当然，这需要大量的投入才能表现良好。但一段时间后，它应该可以正常工作。使用SVM，您实际上必须在您的新班级上训练一个新的SVM，并实施某种投票方案，例如One-vs-All。 SVMs 本质上是二元分类器。
【讨论】：
-
感谢您的反馈巴斯蒂安。在我看来，这可能是一个不错的选择！如果我理解你的建议是对的；我使用初始的 SVM 分类来构建具有两个类（故障和无故障）的数据集
-
然后在系统引入新故障时使用它来添加更多类。但是我觉得我在这里仍然缺少一步：系统如何知道何时引入了新的故障类型？换句话说，我需要能够区分检测到的第一个故障类型和新的故障类型。