Zespołowa maszyna wektorów nośnych dla jednej klasy (Ensemble One-Class SVM)
Zespołowa maszyna wektorów nośnych dla jednej klasy (Ensemble One-Class SVM) łączy wiele modeli maszyny wektorów nośnych dla jednej klasy — każdy trenowany na innym losowym podzbiorze danych lub cech — i agreguje ich wyniki anomalii. Poprzez połączenie kilku estymacji granicy OC-SVM, zespół redukuje wrażliwość na wybór jądra i próbkowanie danych, która dotyka pojedynczą maszynę wektorów nośnych dla jednej klasy, tworząc bardziej stabilny i dokładny detektor nowości lub wartości odstających.
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 ↗
- Tax, D. M. J., & Duin, R. P. W. (2001). Combining one-class classifiers. In Multiple Classifier Systems (MCS 2001), Lecture Notes in Computer Science, vol 2096. Springer, Berlin, Heidelberg. DOI: 10.1007/3-540-48219-9_30 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Ensemble of One-Class Support Vector Machines. ScholarGate. https://scholargate.app/pl/machine-learning/ensemble-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
- Isolation ForestUczenie maszynowe↔ compare
- One-Class SVMUczenie maszynowe↔ compare
- Ensemble głosującyUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →