Półnadzorowany SVM Jednej Klasy
Półnadzorowany SVM Jednej Klasy rozszerza klasyczny detektor anomalii SVM Jednej Klasy poprzez włączenie nieoznakowanych obserwacji obok niewielkiego zbioru znanych normalnych przykładów. Nieoznakowane dane pomagają modelowi nauczyć się ciaśniejszej, bardziej informatywnej granicy decyzyjnej w przestrzeni cech, redukując fałszywe pozytywy i poprawiając wykrywanie anomalii w porównaniu do czysto niekierowanego punktu odniesienia.
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
- Munoz, A. & Muruzabal, J. (2004). Self-Organising Maps for Outlier Detection. Neurocomputing, 58–60, 953–956. link ↗
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised One-Class Support Vector Machine. ScholarGate. https://scholargate.app/pl/machine-learning/semi-supervised-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
- Proces GaussaUczenie maszynowe↔ compare
- Isolation ForestUczenie maszynowe↔ compare
- One-Class SVMUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →