Polosupervizovaná jednotriedová SVM
Polosamoučená jednokompartmentová SVM (Semi-supervised One-class SVM) rozširuje klasický detektor anomálií One-class SVM o začlenenie neoznačených pozorovaní popri malej sade známych normálnych príkladov. Neoznačené údaje pomáhajú modelu naučiť sa presnejšiu, informačne bohatšiu rozhodovaciu hranicu vo funkčnom priestore, čím sa znižujú falošné poplachy a zlepšuje sa detekcia anomálií v porovnaní s čisto neusmerneným základným modelom.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Semi-supervised One-Class Support Vector Machine. ScholarGate. https://scholargate.app/sk/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.
- Detekcia anomálií pomocou autoenkóderovStrojové učenie↔ compare
- Gaussov procesStrojové učenie↔ compare
- Isolation ForestStrojové učenie↔ compare
- Jednotriedny SVMStrojové učenie↔ compare
- Polosupervizované učenieStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →