Machine learningMachine learning
One-class SVM חצי-מפוקח
One-class SVM חצי-מפוקח מרחיב את זיהוי אנומליות הקלאסי של One-class SVM על ידי שילוב תצפיות לא מתויגות לצד קבוצה קטנה של דוגמאות נורמליות ידועות. הנתונים הלא מתויגים מסייעים למודל ללמוד גבול החלטה הדוק ואינפורמטיבי יותר במרחב התכונות, מה שמפחית שגיאות חיוביות כוזבות ומשפר את זיהוי האנומליות בהשוואה לבסיס הלא-מפוקח הטהור.
קראו את השיטה במלואה
לחברים בלבד
התחברותהתחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Semi-supervised One-Class Support Vector Machine. ScholarGate. https://scholargate.app/he/machine-learning/semi-supervised-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.
- זיהוי אנומליות באמצעות אוטואנקודרלמידת מכונה↔ compare
- תהליך גאוסילמידת מכונה↔ compare
- יער בידודלמידת מכונה↔ compare
- מכונת וקטורים תומכים חד-מחלקתית (One-Class SVM)למידת מכונה↔ compare
- למידה מונחית-למחצהלמידת מכונה↔ compare