Scikit learn 基于人工输入的单类支持向量机扩展

我创建了一个单类支持向量机，用于检测振动数据中的异常情况，以便进行状态监测

我的想法是将其作为扩展系统的基础。我想对检测到的异常进行聚类，并询问用户对这些聚类的输入，这样我不仅可以检测到异常，还可以对它们进行分类

---

有没有什么算法可以让我在检测到具有相当高确定性的聚类后增加SVM中的类数？

使用

SVM

完成此任务是一个好主意？考虑另一个模型，如神经网络（Basic <代码> MLP P<代码>体系结构）。它们能够固有地执行多类分类

---

您可以做的是，首先使用两个输出节点对数据进行训练，一个用于无检测，另一个用于类。在最后一层使用softmax函数并优化交叉熵函数。初始培训结束后，根据用户请求，添加另一个输出节点，并使用提供的每个新示例对模型进行微调。您的重量不会丢失，您只需对每个新类进行微调。当然，这需要大量的输入才能很好地执行。但一段时间后，它应该能正常工作。使用

SVM

，您实际上必须在新类上训练一个新的

SVM

，并实现某种投票方案，如

One vs All

<代码>支持向量机本质上是二进制分类器。

感谢您的反馈。在我看来，这可能是一个不错的选择！如果我正确理解你的建议；我使用初始的SVM分类来构造一个包含两个类（故障和无故障）的数据集，然后在系统中引入新故障时使用该分类来添加更多的类。但是，我觉得我仍然缺少一个步骤：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。