Robust One-Class SVM
Robust One-Class SVM utvider den klassiske One-Class Support Vector Machine for nyhets- og anomalideteksjon ved å inkorporere robusthetsmekanismer – som trimmede målfunksjoner, robuste kjernvalg eller kontaminasjonstolerante tapsfunksjoner – som reduserer innflytelsen fra tung-halet støy eller uteliggere i treningsdataene, og gir en beslutningsgrense som bedre representerer den sanne støtten til normalklassen.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Robust One-Class Support Vector Machine. ScholarGate. https://scholargate.app/no/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.
- Autoenkoder-anomalideteksjonMaskinlæring↔ compare
- Isolation ForestMaskinlæring↔ compare
- One-Class SVMMaskinlæring↔ compare
- Robust Isolation ForestMaskinlæring↔ compare
- Robust Support Vector MachineMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →