Semi-supervised One-class SVM

Semi-supervised One-class SVM memperluas detektor anomali One-class SVM klasik dengan menggabungkan observasi tak berlabel bersama dengan sejumlah kecil contoh normal yang diketahui. Data tak berlabel membantu model mempelajari batas keputusan yang lebih ketat dan informatif di ruang fitur, mengurangi positif palsu dan meningkatkan perolehan anomali dibandingkan dengan baseline yang sepenuhnya tanpa pengawasan. Sebuah One-class SVM standar menggambar batas di sekitar data normal berlabel di ruang fitur yang ditransformasi kernel dan menandai segala sesuatu di luar sebagai anomali. Masalahnya adalah dengan sedikit contoh berlabel, batasnya longgar dan berisik. Semi-supervised One-class SVM memanfaatkan kumpulan contoh tak berlabel — yang sebagian besar kemungkinan normal — untuk menarik batas ke dalam menuju wilayah yang lebih padat. Anggap saja seperti mengajari model di mana 'normal' sebenarnya berada dengan menunjukkannya lebih banyak contoh, bahkan ketika contoh-contoh tersebut tidak memiliki label kelas yang terkonfirmasi. Hasilnya adalah batas anomali yang lebih ketat dan lebih andal dengan biaya pelabelan yang rendah.