One-class SVM
One-class SVM är en oövervakad algoritm för anomalidetektering och nyhetsdetektering som lär sig en snäv gräns runt normala träningsdata i ett kärninducerat funktionsrum, och flaggar nya observationer som faller utanför den gränsen som utliggare. Algoritmen introducerades av Scholkopf et al. 1999–2001 och utökar SVM-ramverket till en enklassinställning där inga märkta anomalier finns tillgängliga.
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.
+18 more
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. (2004). Support vector data description. Machine Learning, 54(1), 45–66. DOI: 10.1023/B:MACH.0000008084.60811.49 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). One-Class Support Vector Machine (Novelty and Anomaly Detection). ScholarGate. https://scholargate.app/sv/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.
- Autoencoder AnomalidetekteringMaskininlärning↔ compare
- Isolation ForestMaskininlärning↔ compare
- Lokal avviksfaktor (LOF)Maskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →