Robust One-Class SVM
Robust One-Class SVM rozszerza klasyczny algorytm One-Class Support Vector Machine (OCSVM) do wykrywania nowości i anomalii, wprowadzając mechanizmy odporności — takie jak obcinane funkcje celu, wybór odpornych funkcji jądra czy funkcje straty tolerujące zanieczyszczenia — które zmniejszają wpływ danych o grubych ogonach lub wartości odstających obecnych w danych treningowych, generując granicę decyzyjną lepiej reprezentującą rzeczywiste wsparcie klasy normalnej.
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., 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust One-Class Support Vector Machine. ScholarGate. https://scholargate.app/pl/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.
- Detekcja anomalii za pomocą autoenkoderówUczenie maszynowe↔ compare
- Isolation ForestUczenie maszynowe↔ compare
- One-Class SVMUczenie maszynowe↔ compare
- Robust Isolation ForestUczenie maszynowe↔ compare
- Wytrzymały klasyfikator maszyny wektorów nośnychUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →