Semi-supervised One-class SVM
Semi-supervised One-class SVM udvider den klassiske One-class SVM anomalidetektor ved at inkorporere umærkede observationer sammen med et lille sæt kendte normale eksempler. De umærkede data hjælper modellen med at lære en strammere, mere informativ beslutningsgrænse i funktionsrummet, hvilket reducerer falske positiver og forbedrer anomaligenkaldelsen sammenlignet med den rent uovervågede baseline.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised One-Class Support Vector Machine. ScholarGate. https://scholargate.app/da/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.
- Autoencoder AnomalidetektionMaskinlæring↔ compare
- Gaussisk procesMaskinlæring↔ compare
- Isolation ForestMaskinlæring↔ compare
- One-Class SVMMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →