One-Class SVM
One-class SVM é um algoritmo de detecção de anomalias e novidades não supervisionado que aprende um limite apertado em torno dos dados de treinamento normais em um espaço de características induzido por kernel, sinalizando novas observações que caem fora desse limite como outliers. Introduzido por Scholkopf et al. em 1999-2001, ele estende o framework SVM para o cenário de classe única, onde anomalias rotuladas não estão disponíveis.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
+18 more
Fontes
- 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. (2004). Support vector data description. Machine Learning, 54(1), 45–66. DOI: 10.1023/B:MACH.0000008084.60811.49 ↗
Como citar esta página
ScholarGate. (2026, June 3). One-Class Support Vector Machine (Novelty and Anomaly Detection). ScholarGate. https://scholargate.app/pt/machine-learning/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.
- Detecção de Anomalias com AutoencoderAprendizado de máquina↔ compare
- Isolation ForestAprendizado de máquina↔ compare
- Local Outlier Factor (LOF)Aprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →