SVM univarié semi-supervisé
Le SVM univarié semi-supervisé étend le détecteur d'anomalies classique SVM univarié en intégrant des observations non étiquetées aux côtés d'un petit ensemble d'exemples normaux connus. Les données non étiquetées aident le modèle à apprendre une frontière de décision plus étroite et plus informative dans l'espace des caractéristiques, réduisant les faux positifs et améliorant le rappel des anomalies par rapport à la baseline purement non supervisée.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- Munoz, A. & Muruzabal, J. (2004). Self-Organising Maps for Outlier Detection. Neurocomputing, 58–60, 953–956. link ↗
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised One-Class Support Vector Machine. ScholarGate. https://scholargate.app/fr/machine-learning/semi-supervised-one-class-svm
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Détection d'anomalies par auto-encodeurApprentissage automatique↔ comparer
- Processus GaussienApprentissage automatique↔ comparer
- Isolation ForestApprentissage automatique↔ comparer
- SVM à une classeApprentissage automatique↔ comparer
- Apprentissage semi-superviséApprentissage automatique↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →