One-Class SVM
One-class SVM ist ein unüberwachter Algorithmus zur Anomalie- und Neuheitserkennung, der eine enge Grenze um normale Trainingsdaten in einem kernel-induzierten Merkmalsraum lernt und neue Beobachtungen, die außerhalb dieser Grenze liegen, als Ausreißer kennzeichnet. Eingeführt von Scholkopf et al. in den Jahren 1999–2001, erweitert er das SVM-Framework auf den Ein-Klassen-Fall, bei dem keine gelabelten Anomalien verfügbar sind.
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.
+18 more
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 ↗
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). One-Class Support Vector Machine (Novelty and Anomaly Detection). ScholarGate. https://scholargate.app/de/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-AnomalieerkennungMaschinelles Lernen↔ compare
- Isolation ForestMaschinelles Lernen↔ compare
- Lokaler Ausreißerfaktor (LOF)Maschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →