Ensemble One-Class SVM
L'Ensemble One-Class SVM combine plusieurs modèles de machines à vecteurs de support à une classe (OC-SVM) — chacun entraîné sur un sous-ensemble aléatoire différent des données ou des caractéristiques — et agrège leurs scores d'anomalie. En regroupant plusieurs estimations de frontières OC-SVM, l'ensemble réduit la sensibilité au choix du noyau et à l'échantillonnage des données qui affecte un OC-SVM unique, produisant un détecteur de nouveauté ou d'anomalie plus stable et plus précis.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Ensemble of One-Class Support Vector Machines. ScholarGate. https://scholargate.app/fr/machine-learning/ensemble-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.
- Détection d'anomalies par auto-encodeurApprentissage automatique↔ compare
- Isolation ForestApprentissage automatique↔ compare
- SVM à une classeApprentissage automatique↔ compare
- Ensemble par voteApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →