SVM Unicategórico Robusto
El SVM Unicategórico Robusto extiende la Máquina de Vectores de Soporte Unicategórica clásica para la detección de novedades y anomalías, incorporando mecanismos de robustez —como objetivos recortados, elecciones robustas de kernel o funciones de pérdida tolerantes a la contaminación— que reducen la influencia del ruido de cola pesada o los valores atípicos presentes en los datos de entrenamiento, produciendo un límite de decisión que representa mejor el soporte real de la clase normal.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Robust One-Class Support Vector Machine. ScholarGate. https://scholargate.app/es/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.
- Detección de anomalías con autoencoderAprendizaje automático↔ compare
- Isolation ForestAprendizaje automático↔ compare
- SVM de una claseAprendizaje automático↔ compare
- Bosque de Aislamiento RobustoAprendizaje automático↔ compare
- Máquina de Vectores de Soporte RobustaAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →