Vienas klases SVM
Vienas klases SVM ir neuzraudzīts algoritms anomāliju un novitāšu noteikšanai, kas kodētajā funkciju telpā iemācās ciešu robežu ap parastajiem apmācības datiem, marķējot jaunus novērojumus, kas atrodas ārpus šīs robežas, kā izņēmumus. Ieviests Scholkopf et al. 1999.–2001. gadā, tas paplašina SVM sistēmu vienas klases iestatījumam, kurā nav pieejamas marķētas anomālijas.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+18 more
Avoti
- 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 ↗
- Tax, D. M. J., & Duin, R. P. W. (2004). Support vector data description. Machine Learning, 54(1), 45–66. DOI: 10.1023/B:MACH.0000008084.60811.49 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). One-Class Support Vector Machine (Novelty and Anomaly Detection). ScholarGate. https://scholargate.app/lv/machine-learning/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.
- Autoencoder anomāliju noteikšanaMašīnmācīšanās↔ compare
- Isolation ForestMašīnmācīšanās↔ compare
- Lokālā novirzes faktors (LOF)Mašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →