One-Class SVM
One-class SVM is een onbewaakt algoritme voor anomalie- en nieuwheidsdetectie dat een strakke grens leert rond normale trainingsdata in een door een kernel geïnduceerde feature space, waarbij nieuwe observaties die buiten die grens vallen als uitschieters worden aangemerkt. Het werd geïntroduceerd door Scholkopf et al. in 1999–2001 en breidt het SVM-raamwerk uit naar de single-class setting waar geen gelabelde anomalieën beschikbaar zijn.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+18 more
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). One-Class Support Vector Machine (Novelty and Anomaly Detection). ScholarGate. https://scholargate.app/nl/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 AnomaliedetectieMachine learning↔ compare
- Isolation ForestMachine learning↔ compare
- Local Outlier Factor (LOF)Machine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →