SVM Satu Kelas Separuh Terbimbing
SVM Satu Kelas Separuh Terbimbing (Semi-supervised One-class SVM) memperluas pengesan anomali SVM Satu Kelas (One-class SVM) klasik dengan menggabungkan pemerhatian tanpa label bersama dengan sejumlah kecil contoh normal yang diketahui. Data tanpa label membantu model mempelajari sempadan keputusan yang lebih ketat dan bermaklumat dalam ruang ciri, mengurangkan positif palsu dan meningkatkan perolehan anomali berbanding dengan asas tanpa penyeliaan semata-mata.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Semi-supervised One-Class Support Vector Machine. ScholarGate. https://scholargate.app/ms/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.
- Pengesanan Anomali AutoenkoderPembelajaran Mesin↔ compare
- Gaussian ProcessPembelajaran Mesin↔ compare
- Isolation ForestPembelajaran Mesin↔ compare
- SVM Kelas TunggalPembelajaran Mesin↔ compare
- Pembelajaran Separa SeliaPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →