Ensemble One-Class SVM
Ensemble One-Class SVM kombinuje více modelů one-class support vector machine – každý trénovaný na jiné náhodné podmnožině dat nebo příznaků – a agreguje jejich skóre anomálií. Sdílením několika odhadů hranic OC-SVM snižuje soubor citlivost na volbu jádra a vzorkování dat, které postihuje jediný one-class SVM, a produkuje tak stabilnější a přesnější detektor novinek nebo odlehlých hodnot.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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. (2001). Combining one-class classifiers. In Multiple Classifier Systems (MCS 2001), Lecture Notes in Computer Science, vol 2096. Springer, Berlin, Heidelberg. DOI: 10.1007/3-540-48219-9_30 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Ensemble of One-Class Support Vector Machines. ScholarGate. https://scholargate.app/cs/machine-learning/ensemble-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.
- Detekce anomálií pomocí autoenkodéruStrojové učení↔ compare
- Isolation ForestStrojové učení↔ compare
- One-class SVMStrojové učení↔ compare
- Hlasovací ansámblStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →