Halb-überwachtes One-Class-SVM
Das halb-überwachte One-Class-SVM erweitert den klassischen One-Class-SVM-Anomaliedetektor durch die Einbeziehung unbeschrifteter Beobachtungen neben einer kleinen Menge bekannter normaler Beispiele. Die unbeschrifteten Daten helfen dem Modell, eine engere, informativere Entscheidungsgrenze im Merkmalsraum zu lernen, wodurch Fehlalarme reduziert und der Anomalie-Recall im Vergleich zur rein unüberwachten Basislinie verbessert wird.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised One-Class Support Vector Machine. ScholarGate. https://scholargate.app/de/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-AnomalieerkennungMaschinelles Lernen↔ compare
- Gauß-ProzessMaschinelles Lernen↔ compare
- Isolation ForestMaschinelles Lernen↔ compare
- One-Class SVMMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →