ماشین بردار پشتیبان تک کلاسه
ماشین بردار پشتیبان تک کلاسه (One-class SVM) یک الگوریتم یادگیری بدون نظارت برای تشخیص ناهنجاری و نوآوری است که مرزی تنگ پیرامون دادههای آموزشی عادی در فضای ویژگی القا شده توسط کرنل را یاد میگیرد و مشاهدات جدیدی را که خارج از این مرز قرار میگیرند به عنوان دادههای پرت علامتگذاری میکند. این الگوریتم که توسط شولکوف و همکاران در سالهای ۱۹۹۹-۲۰۰۱ معرفی شد، چارچوب ماشین بردار پشتیبان را به حالت تک کلاسه گسترش میدهد که در آن هیچ نمونه ناهنجار برچسبدار در دسترس نیست.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+18 more
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). One-Class Support Vector Machine (Novelty and Anomaly Detection). ScholarGate. https://scholargate.app/fa/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.
- تشخیص ناهنجاری با خودرمزگذاریادگیری ماشین↔ compare
- جنگل ایزوله (Isolation Forest)یادگیری ماشین↔ compare
- عامل دورافتادگی محلی (LOF)یادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →