Еднокласов SVM
Еднокласовият SVM е алгоритъм за откриване на аномалии и нововъведения без надзор, който научава плътна граница около нормални тренировъчни данни в пространство от признаци, индуцирано от ядро, маркирайки нови наблюдения, които попадат извън тази граница, като отклонения. Въведен от Scholkopf et al. през 1999–2001 г., той разширява SVM рамката към еднокласов сценарий, където няма налични етикетирани аномалии.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+18 more
Източници
- Scholkopf, B., Platt, J. C., Shawe-Taylor, J., Smola, A. J., & Williamson, R. C. (2001). Estimating the support of a high-dimensional distribution. Neural Computation, 13(7), 1443–1471. DOI: 10.1162/089976601750264965 ↗
- Tax, D. M. J., & Duin, R. P. W. (2004). Support vector data description. Machine Learning, 54(1), 45–66. DOI: 10.1023/B:MACH.0000008084.60811.49 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). One-Class Support Vector Machine (Novelty and Anomaly Detection). ScholarGate. https://scholargate.app/bg/machine-learning/one-class-svm
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Автоенкодер за детекция на аномалииМашинно обучение↔ compare
- Isolation ForestМашинно обучение↔ compare
- Локален коефициент на отклонение (LOF)Машинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →