Ensemble One-class SVM
Ensemble One-Class SVM combines multiple one-class support vector machine models — each trained on a different random subset of the data or features — and aggregates their anomaly scores. By pooling several OC-SVM boundary estimates, the ensemble reduces the sensitivity to kernel choice and data sampling that afflicts a single one-class SVM, producing a more stable and accurate novelty or outlier detector.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
- 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. (2001). Combining one-class classifiers. In Multiple Classifier Systems (MCS 2001), Lecture Notes in Computer Science, vol 2096. Springer, Berlin, Heidelberg. · DOI 10.1007/3-540-48219-9_30
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.