Semi-supervised One-class SVM
Semi-supervised One-class SVM utökar den klassiska One-class SVM-anomalidetektorn genom att införliva omärkta observationer tillsammans med en liten mängd kända normala exempel. De omärkta data hjälper modellen att lära sig en snävare, mer informativ beslutgräns i funktionsrummet, vilket minskar falska positiva och förbättrar anomalikänsligheten jämfört med den rent oövervakade baslinjen.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised One-Class Support Vector Machine. ScholarGate. https://scholargate.app/sv/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.
- Autoencoder AnomalidetekteringMaskininlärning↔ compare
- Gaussisk processMaskininlärning↔ compare
- Isolation ForestMaskininlärning↔ compare
- One-class SVMMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →