Ensemble One-Class SVM
Ensemble One-Class SVM kombinerar flera one-class support vector machine-modeller — var och en tränad på en annan slumpmässig delmängd av data eller egenskaper — och aggregerar deras anomalipoäng. Genom att poola flera OC-SVM-gränsestimat minskar ensemblen känsligheten för val av kärna och datasamplingsmetod som drabbar en enskild one-class SVM, vilket ger en mer stabil och korrekt detektor för nyheter eller avvikare.
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 ↗
- Tax, D. M. J., & Duin, R. P. W. (2001). Combining one-class classifiers. In Multiple Classifier Systems (MCS 2001), Lecture Notes in Computer Science, vol 2096. Springer, Berlin, Heidelberg. DOI: 10.1007/3-540-48219-9_30 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Ensemble of One-Class Support Vector Machines. ScholarGate. https://scholargate.app/sv/machine-learning/ensemble-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
- Isolation ForestMaskininlärning↔ compare
- One-class SVMMaskininlärning↔ compare
- RöstningsensembleMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →