Robust One-Class SVM
Robust One-Class SVM erweitert die klassische One-Class Support Vector Machine für die Neuheits- und Anomalieerkennung, indem Robustheitsmechanismen — wie getrimmte Zielfunktionen, robuste Kernel-Auswahl oder kontaminationsresistente Verlustfunktionen — integriert werden, die den Einfluss von heavy-tailed-Rauschen oder Ausreißern in den Trainingsdaten reduzieren und so eine Entscheidungsgrenze ergeben, die die wahre Unterstützung der Normalklasse besser repräsentiert.
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., Williamson, R., Smola, A., Shawe-Taylor, J., & Platt, J. (1999). Support vector method for novelty detection. Advances in Neural Information Processing Systems (NeurIPS), 12, 582–588. link ↗
- Liu, Y., Li, Z., & Zhou, C. (2018). Roseq: Robust and efficient one-class SVM for large-scale novelty detection. IEEE Transactions on Neural Networks and Learning Systems, 29(12), 6290–6304. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust One-Class Support Vector Machine. ScholarGate. https://scholargate.app/de/machine-learning/robust-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
- One-Class SVMMaschinelles Lernen↔ compare
- Robuster Isolation ForestMaschinelles Lernen↔ compare
- Robuste Support-Vektor-MaschineMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →