Polu-nadgledani jednoklasni SVM
Polu-nadgledani jednoklasni SVM proširuje klasični detektor anomalija jednoklasnog SVM-a uvođenjem neoznačenih opažanja uz mali skup poznatih normalnih primjera. Neoznačeni podaci pomažu modelu naučiti čvršću, informativniju graničnu odluku u prostoru značajki, smanjujući lažno pozitivne rezultate i poboljšavajući opoziv anomalija u usporedbi s isključivo nenadgledanom baznom linijom.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised One-Class Support Vector Machine. ScholarGate. https://scholargate.app/hr/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.
- Detekcija anomalija pomoću autoenkoderaStrojno učenje↔ compare
- Gaussovi procesiStrojno učenje↔ compare
- Izolacijska šumaStrojno učenje↔ compare
- Jednoklasni SVMStrojno učenje↔ compare
- Polunadzorirano učenjeStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →