ScholarGate
Βοηθός
Machine learningMachine learning

Ενεργή Μάθηση με Μηχανή Υποστήριξης Μίας Κλάσης (One-class SVM)

Η Ενεργή Μάθηση με Μηχανή Υποστήριξης Μίας Κλάσης (Active Learning One-class SVM) συνδυάζει τη μηχανή υποστήριξης μίας κλάσης — έναν ανιχνευτή καινοτομίας βασισμένο σε πυρήνες (kernel-based novelty detector) που μαθαίνει το όριο των κανονικών δεδομένων — με έναν βρόχο ενεργής μάθησης που επιλέγει τις πιο πληροφοριακές μη επισημασμένες παρουσίες για σχολιασμό από ειδικό. Το αποτέλεσμα είναι ένας αποδοτικός ως προς τα δεδομένα ανιχνευτής ανωμαλιών που βελτιώνει το όριο απόφασής του με ελάχιστη προσπάθεια επισήμανσης.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Ενεργή Μάθηση με Μηχανή Υποστήριξης Μίας Κλάσης (One-class SVM)
Ενεργή ΜάθησηIsolation ForestOne-Class SVMΗμι-επιβλεπόμενη ΜάθησηΑνίχνευση Ανωμαλιών με Α…

Πηγές

  1. Schölkopf, B., Platt, J. C., Shawe-Taylor, J., Smola, A. J., & Williamson, R. C. (1999). Estimating the Support of a High-Dimensional Distribution. Neural Computation, 13(7), 1443–1471. DOI: 10.1162/089976601750264965
  2. Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Active Learning with One-Class Support Vector Machine. ScholarGate. https://scholargate.app/el/machine-learning/active-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.

Compare side by side

Αναφέρεται από

ScholarGateActive learning One-class SVM (Active Learning with One-Class Support Vector Machine). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/active-learning-one-class-svm · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026