Robust One-Class SVM
Robust One-Class SVM laajentaa klassista One-Class Support Vector Machine -menetelmää uutuus- ja poikkeamien havaitsemiseen sisällyttämällä siihen robustisuusmekanismeja – kuten trimmattuja tavoitefunktioita, robustit ytimen valinnat tai kontaminaatiota sietävät häviöfunktiot – jotka vähentävät raskashäntäisen kohinan tai koulutusdatassa esiintyvien poikkeamien vaikutusta. Tämä tuottaa päätösrajan, joka edustaa paremmin normaalin luokan todellista tukea.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Robust One-Class Support Vector Machine. ScholarGate. https://scholargate.app/fi/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.
- Autoenkooderin poikkeamien tunnistusKoneoppiminen↔ compare
- Isolation ForestKoneoppiminen↔ compare
- Yhden luokan SVMKoneoppiminen↔ compare
- Robust Isolation ForestKoneoppiminen↔ compare
- Robust Support Vector MachineKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →