Polovičně řízené SVM jedné třídy
Polovičně řízené SVM jedné třídy rozšiřuje klasický detektor anomálií SVM jedné třídy o začlenění neoznačených pozorování vedle malého souboru známých normálních příkladů. Neoznačená data pomáhají modelu naučit se těsnější, informativnější rozhodovací hranici v prostoru příznaků, čímž se snižují falešně pozitivní výsledky a zlepšuje se detekce anomálií ve srovnání s čistě neřízeným základním modelem.
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
- Munoz, A. & Muruzabal, J. (2004). Self-Organising Maps for Outlier Detection. Neurocomputing, 58–60, 953–956. link ↗
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised One-Class Support Vector Machine. ScholarGate. https://scholargate.app/cs/machine-learning/semi-supervised-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
- Gaussovský procesStrojové učení↔ compare
- Isolation ForestStrojové učení↔ compare
- One-class SVMStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →