Robust One-Class SVM
Robust One-Class SVM estende la classica One-Class Support Vector Machine per il rilevamento di novità e anomalie incorporando meccanismi di robustezza — come obiettivi troncati, scelte di kernel robuste o funzioni di perdita tolleranti alla contaminazione — che riducono l'influenza di rumore a coda pesante o outlier presenti nei dati di addestramento, producendo un confine decisionale che rappresenta meglio il supporto vero della classe normale.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Scholkopf, B., Williamson, R., Smola, A., Shawe-Taylor, J., & Platt, J. (1999). Support vector method for novelty detection. Advances in Neural Information Processing Systems (NeurIPS), 12, 582–588. link ↗
- Liu, Y., Li, Z., & Zhou, C. (2018). Roseq: Robust and efficient one-class SVM for large-scale novelty detection. IEEE Transactions on Neural Networks and Learning Systems, 29(12), 6290–6304. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Robust One-Class Support Vector Machine. ScholarGate. https://scholargate.app/it/machine-learning/robust-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.
- Rilevamento anomalie con autoencoderApprendimento automatico↔ compare
- Isolation ForestApprendimento automatico↔ compare
- One-Class SVMApprendimento automatico↔ compare
- Isolation Forest RobustoApprendimento automatico↔ compare
- Support Vector Machine RobustaApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →