Bayesian One-Class SVM
Der Bayessche One-Class SVM kombiniert die klassische One-Class Support Vector Machine – die eine enge Grenze um normale Trainingsbeispiele lernt – mit Bayesscher Inferenz, um kalibrierte Wahrscheinlichkeitsschätzungen für Anomalien zu erzeugen, anstatt nur ein binäres Flag. Dies ermöglicht eine Quantifizierung der Unsicherheit über die Neuheitsentscheidung, wodurch der Ansatz besser geeignet ist, wenn nachgelagerte Aktionen davon abhängen, wie sicher das Modell ist, dass eine neue Beobachtung anomal ist.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian One-Class Support Vector Machine. ScholarGate. https://scholargate.app/de/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-AnomalieerkennungMaschinelles Lernen↔ compare
- Bayesian Gaussian ProcessMaschinelles Lernen↔ compare
- Gauß-ProzessMaschinelles Lernen↔ compare
- Isolation ForestMaschinelles Lernen↔ compare
- One-Class SVMMaschinelles Lernen↔ compare
- Robust One-Class SVMMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →