Bayesowska maszynowa klasyfikacja wektorów nośnych dla jednej klasy
Bayesowska maszynowa klasyfikacja wektorów nośnych dla jednej klasy (Bayesian one-class SVM) łączy klasyczną maszynę wektorów nośnych dla jednej klasy – która uczy się ścisłej granicy wokół normalnych przykładów treningowych – z wnioskowaniem bayesowskim, aby uzyskać skalibrowane oszacowania prawdopodobieństwa anomalii, zamiast tylko binarnej flagi. Pozwala to na kwantyfikację niepewności w decyzji o nowości, co czyni podejście bardziej odpowiednim, gdy działania następcze zależą od pewności modelu co do tego, czy nowa obserwacja jest anomalna.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
- Tipping, M. E. (2001). Sparse Bayesian learning and the relevance vector machine. Journal of Machine Learning Research, 1, 211–244. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian One-Class Support Vector Machine. ScholarGate. https://scholargate.app/pl/machine-learning/bayesian-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.
- Detekcja anomalii za pomocą autoenkoderówUczenie maszynowe↔ compare
- Bayesowskie procesy GaussaUczenie maszynowe↔ compare
- Proces GaussaUczenie maszynowe↔ compare
- Isolation ForestUczenie maszynowe↔ compare
- One-Class SVMUczenie maszynowe↔ compare
- Robust One-Class SVMUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →