Polu-nadgledani jednoklasni SVM
Polu-nadgledani jednoklasni SVM proširuje klasični detektor anomalija jednoklasnog SVM-a uvođenjem neoznačenih opservacija uz mali skup poznatih normalnih primera. Neoznačeni podaci pomažu modelu da nauči čvršću, informativniju graničnu liniju u prostoru obeležja, smanjujući lažno pozitivne rezultate i poboljšavajući opoziv anomalija u poređenju sa isključivo nenadziranim osnovnim modelom.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised One-Class Support Vector Machine. ScholarGate. https://scholargate.app/sr/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.
- Autoenkoderska detekcija anomalijaMašinsko učenje↔ compare
- Gausov procesMašinsko učenje↔ compare
- Isolation ForestMašinsko učenje↔ compare
- Jednoklasni SVMMašinsko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →