Robust One-Class SVM
Robust One-Class SVM rozšiřuje klasický One-Class Support Vector Machine pro detekci novinek a anomálií začleněním mechanismů robustnosti — jako jsou oříznuté cíle, robustní volby jádra nebo ztrátové funkce tolerující kontaminaci — které snižují vliv šumu s těžkými rozděleními nebo odlehlých hodnot přítomných v trénovacích datech, což vede k rozhodovací hranici, která lépe reprezentuje skutečnou podporu normální třídy.
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., Williamson, R., Smola, A., Shawe-Taylor, J., & Platt, J. (1999). Support vector method for novelty detection. Advances in Neural Information Processing Systems (NeurIPS), 12, 582–588. link ↗
- Liu, Y., Li, Z., & Zhou, C. (2018). Roseq: Robust and efficient one-class SVM for large-scale novelty detection. IEEE Transactions on Neural Networks and Learning Systems, 29(12), 6290–6304. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust One-Class Support Vector Machine. ScholarGate. https://scholargate.app/cs/machine-learning/robust-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
- Robust Isolation ForestStrojové učení↔ compare
- Robustní Support Vector MachineStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →