Bayesiansk One-Class SVM
Bayesian one-class SVM kombinerer den klassiske one-class support vector machine — som lærer en tæt grænse omkring normale træningseksempler — med Bayesiansk inferens for at producere kalibrerede sandsynlighedsskøn for anomalier, snarere end kun et binært flag. Dette muliggør kvantificering af usikkerhed over beslutningen om nyhed, hvilket gør tilgangen mere egnet, når efterfølgende handlinger afhænger af, hvor sikker modellen er på, at en ny observation er anomal.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
- Tipping, M. E. (2001). Sparse Bayesian learning and the relevance vector machine. Journal of Machine Learning Research, 1, 211–244. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bayesian One-Class Support Vector Machine. ScholarGate. https://scholargate.app/da/machine-learning/bayesian-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.
- Autoencoder AnomalidetektionMaskinlæring↔ compare
- Bayesiansk Gaussisk ProcesMaskinlæring↔ compare
- Gaussisk procesMaskinlæring↔ compare
- Isolation ForestMaskinlæring↔ compare
- One-Class SVMMaskinlæring↔ compare
- Robust One-Class SVMMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →