RNSA

Algoritmo de Seleção Negativa com valores reais (RNSA).

Herança

Esta classe herda de BaseClassifier

Módulo: aisp.nsa
Importação: from aisp.nsa import RNSA

---

Visão geral

Algoritmo para classificação e detecção de anomalias baseado na distinção entre próprio e não-próprio, inspirado no algoritmo de seleção negativa.

observação

Este algoritmo possui duas versões diferentes: uma baseada na versão canônica ¹ e outra com detectores com raio variável ². Ambas estão adaptadas para trabalhar com múltiplas classes e possuem métodos para previsão de dados presentes na região não-self de todos os detectores e classes.

aviso

Os parâmetros r e r_s podem impedir a geração de detectores válidos. Um valor para r muito pequeno pode limitar a cobertura, enquanto muito alto pode dificultar a geração de detectores validos. Da mesma forma, um r_s alto pode limitar a criação de detectores. Portanto, o ajuste adequado de r e r_s é essencial para garantir um bom desempenho do algoritmo.

---

Exemplo

import numpy as np
from aisp.nsa import RNSA

np.random.seed(1)
class_a = np.random.uniform(high=0.5, size=(50, 2))
class_b = np.random.uniform(low=0.51, size=(50, 2))

Exemplo 1: Classificação multiclasse (RNSA suporta duas ou mais classes)

x_train = np.vstack((class_a, class_b))
y_train = ['a'] * 50 + ['b'] * 50
rnsa = RNSA(N=150, r=0.3, seed=1)
rnsa = rnsa.fit(x_train, y_train, verbose=False)
x_test = [
    [0.15, 0.45],  # Expected: Class 'a'
    [0.85, 0.65],  # Expected: Class 'b'
]
y_pred = rnsa.predict(x_test)
print(y_pred)

Output

['a' 'b']

Exemplo 2: Detecção de anomalias (self/non-self)

rnsa = RNSA(N=150, r=0.3, seed=1)
rnsa = rnsa.fit(X=class_a, y=np.array(['self'] * 50), verbose=False)
y_pred = rnsa.predict(class_b[:5])
print(y_pred)

Output

['non-self' 'non-self' 'non-self' 'non-self' 'non-self']

---

Parâmetros do Construtor

Nome	Tipo	Default	Descrição
N	int	100	Quantidade de detectores.
r	float	0.05	Raio do detector.
r_s	float	0.0001	O valor de rₛ é o raio das amostras próprias dos dados de treinamento X.
k	int	1	Quantidade de vizinhos próximos dos detectores gerados aleatoriamente para efetuar o cálculo da média da distância.
metric	{"euclidean", "minkowski", "manhattan"}	'euclidean'	Métrica de distância usada para calcular a distância entre o detector e a amostra.
max_discards	int	1000	Número máximo de descartes de detectores em sequência, que tem como objetivo evitar um possível loop infinito caso seja definido um raio que não seja possível gerar detectores do não-próprio.
seed	Optional[int]	None	Seed para geração aleatória.
algorithm	{"default-NSA", "V-detector"}	'default-NSA'	Define a versão do algoritmo.
non_self_label	str	'non-self'	Rótulo atribuído quando há apenas uma classe de saída e a amostra não pertence a essa classe.
cell_bounds	bool	False	Se definido como True, esta opção limita a geração dos detectores ao espaço do plano compreendido entre 0 e 1. Isso significa que qualquer detector cujo raio ultrapasse esse limite é descartado, e esta variável é usada exclusivamente no algoritmo V-detector.
p	float	2.0	Valor de p utilizado na distância de Minkowski.

Atributos

Nome	Tipo	Padrão	Descrição
detectors	Optional[Dict[str | int, list[Detector]]]	-	Conjunto de detectores, organizados por classe.

---

Métodos Públicos

fit

def fit(
    self,
    X: Union[npt.NDArray, list],
    y: Union[npt.NDArray, list],
    verbose: bool = True,
) -> BNSA:
    ...

Treinamento de acordo com X e y, utilizando o algoritmo de seleção negativa.

Parâmetros

Nome	Tipo	Padrão	Descrição
X	Union[npt.NDArray, list]	-	Amostras de entrada para treinamento. Cada linha corresponde a uma amostra e cada coluna a uma característica.
y	Union[npt.NDArray, list]	-	Vetor alvo no formato (n_samples,). Deve conter o mesmo número de amostras que X.
verbose	bool	True	Se True, exibe informações sobre o progresso do treinamento.

Returns

Tipo	Descrição
Self	Retorna a instancia da classe.

Exceções

Exceção	Descrição
TypeError	Se X ou y não forem ndarrays ou tiverem tamanhos incompatíveis.
ValueError	Se os valores de X estiverem fora do intervalo (0.0, 1.0).
MaxDiscardsReachedError	Se o número máximo de descartes for atingido durante a maturação. Verifique o valor do raio definido e considere reduzi-lo.

---

predict

def predict(self, X: Union[npt.NDArray, list]) -> npt.NDArray:
    ...

Prever as classes com base nos detectores gerados após o treinamento.

Parâmetros

Nome	Tipo	Padrão	Descrição
X	Union[npt.NDArray, list]	-	Amostras de entrada. Deve ter o mesmo número de características usadas no treinamento.

Returns

Tipo	Descrição
npt.NDArray	Array C (n_samples), contendo as classes prevista para X.

Exceções

Exceção	Descrição
TypeError	Se X não for ndarray ou list.
ValueError	Se os valores de X estiverem fora do intervalo (0.0, 1.0).
FeatureDimensionMismatch	Se o número de característica (colunas) em X não corresponder ao valor esperado.
ModelNotFittedError	Se o modelo ainda não tiver sido treinado e não possuir detectores ou classes definidas.

---

Exemplos Estendidos

Exemplos completos de uso estão disponíveis nos notebooks Jupyter:

• Exemplos

---

Referências

Footnotes

1. BRABAZON, Anthony; O'NEILL, Michael; MCGARRAGHY, Seán. Natural Computing Algorithms. [S. l.]: Springer Berlin Heidelberg, 2015. DOI 10.1007/978-3-662-43631-8. Disponível em: https://dx.doi.org/10.1007/978-3-662-43631-8. ↩

2. Ji, Z.; Dasgupta, D. (2004). Real-Valued Negative Selection Algorithm with Variable-Sized Detectors. In Lecture Notes in Computer Science, vol. 3025. https://doi.org/10.1007/978-3-540-24854-5_30 ↩