Bayesiansk en-klass SVM
Bayesian one-class SVM kombinerar den klassiska one-class support vector machine — som lär sig en snäv gräns runt normala träningsexempel — med Bayesiansk inferens för att producera kalibrerade sannolikhetsestimat av anomalier, snarare än endast en binär flagga. Detta möjliggör osäkerhetskvantifiering över beslutet om nyhet, vilket gör metoden mer lämplig när efterföljande åtgärder beror på hur säker modellen är på att en ny observation är anomal.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
- Tipping, M. E. (2001). Sparse Bayesian learning and the relevance vector machine. Journal of Machine Learning Research, 1, 211–244. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Bayesian One-Class Support Vector Machine. ScholarGate. https://scholargate.app/sv/machine-learning/bayesian-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.
- Autoencoder AnomalidetekteringMaskininlärning↔ compare
- Bayesiansk Gaussisk ProcessMaskininlärning↔ compare
- Gaussisk processMaskininlärning↔ compare
- Isolation ForestMaskininlärning↔ compare
- One-class SVMMaskininlärning↔ compare
- Robust One-Class SVMMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →