大家都很清楚SPC的中文叫統計過程控制，它的作用是發現過程數據中的異常行為，SPC有8種以上的判異規則，每一中判異規則對應可能的異常原因，非常實用。

現在大數據、機器學習應用越來越廣泛，而機器學習算法的一個常見應用就算異常檢測，本文介紹的是一種叫做二分類支持向量機算法進行異常檢測。

支持向量機簡單描述一下，不做過多解釋。

“?支持向量機（support vector machines, SVM）是一種二分類模型，它的基本模型是定義在特征空間上的間隔最大的線性分類器，間隔最大使它有別于感知機；SVM還包括核技巧，這使它成為實質上的非線性分類器。SVM的的學習策略就是間隔最大化，可形式化為一個求解凸二次規劃的問題，也等價于正則化的合頁損失函數的最小化問題。SVM的的學習算法就是求解凸二次規劃的最優化算法。”

二分類支持向量機Python實現算法如下：

簡單一點，我們用一維數據來演示（檢測數據很多是一維的）。

1）導入機器學習模塊（這里我們使用了scikit-learn的svm中的OneClassSVM模塊）

from sklearn.svm import OneClassSVMimport pandas as pd

2）算法實現

y=[470,509,500,511,435,489,483,483,482,483,504,472,464,481,501,581,507,558,569,467,382,464,482,474,482,478,477,536,485,502,489,507,432,507,470,482,485,482,505,470,487,476]y = pd.DataFrame(y) svm = OneClassSVM()svm.fit(y)y['fcst'] = svm.predict(y)

輸入一個y，定義分成兩類（自動一類正常，一類不正常）， 字段fcst記錄了預測的分類結果，有兩個分類0和1，但我們不知道哪一類才算正常，我們一個合理的假定，分類中多的是正常的，少的是異常的。

3）異常判定的處理

label0 = y[y.fcst==1]['fcst'].count()label1 = y[y.fcst==-1]['fcst'].count()if label0>label1:#正常的多 y.loc[y['fcst'] == 1, 'isAbnormal'] = 0 y.loc[y['fcst'] == -1, 'isAbnormal'] = 1else: y.loc[y['fcst'] == 1, 'isAbnormal'] = 1 y.loc[y['fcst'] == -1, 'isAbnormal'] = 0 y.columns = ['data','fcst','isAbnormal']y['isAbnormal']=y['isAbnormal'].astype(int)y = y[['data','isAbnormal']]

記錄分類為1的數量和分類為0的數量，最終用字段isAbnormal記錄是否異常，0為正常，1為異常。

結果如下：

至此，我們已經完成了一種機器學習的異常檢測。

SPC系統實現：

接下來看看我們在SPC系統上的實現。我們把支持向量機得到的異常點，直接顯示在SPC控制圖上，請看下圖。也可以選擇不顯示(看起來異常判定結果不太理想)。

這樣我們就可以在SPC控制圖上顯示其他異常判定算法的異常判定結果了。現在知道機器學習怎么和SPC結合在一起如何使用了吧。

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的古老的spc也可以用机器学习（三）-支持向量机算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。