One-Class SVM
One-class SVM er en usuperviseret algoritme til detektion af anomalier og nyheder, der lærer en tæt grænse omkring normale træningsdata i et kernel-induceret funktionsrum, og markerer nye observationer, der falder uden for denne grænse, som outliers. Introduceret af Scholkopf et al. i 1999–2001, udvider den SVM-rammeværket til enkeltklasse-indstillingen, hvor ingen mærkede anomalier er tilgængelige.
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.
+18 more
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 ↗
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). One-Class Support Vector Machine (Novelty and Anomaly Detection). ScholarGate. https://scholargate.app/da/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.
- Autoencoder AnomalidetektionMaskinlæring↔ compare
- Isolation ForestMaskinlæring↔ compare
- Local Outlier Factor (LOF)Maskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →