เปรียบเทียบวิธี

	Semi-supervised One-class SVM	Isolation Forest
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2001–2004	2008
ผู้ริเริ่ม	Extension of Scholkopf et al. (2001); semi-supervised variants studied ca. 2004–2010	Liu, F.T., Ting, K.M. & Zhou, Z.-H.
ประเภท	Semi-supervised anomaly / novelty detection	Unsupervised ensemble (random partitioning trees)
แหล่งต้นตำรับ	Munoz, A. & Muruzabal, J. (2004). Self-Organising Maps for Outlier Detection. Neurocomputing, 58–60, 953–956.	Liu, F.T., Ting, K.M. & Zhou, Z.-H. (2008). Isolation Forest. IEEE ICDM, 413–422.
ชื่อเรียกอื่น	SS-OCSVM, semi-supervised OC-SVM, semi-supervised novelty detection SVM, transductive one-class SVM	Isolation Forest (Aykırı Değer Tespiti), iForest, isolation forest anomaly detection
ที่เกี่ยวข้อง	5	5
สรุป	Semi-supervised One-class SVM extends the classic One-class SVM anomaly detector by incorporating unlabeled observations alongside a small set of known normal examples. The unlabeled data helps the model learn a tighter, more informative decision boundary in feature space, reducing false positives and improving anomaly recall compared to the purely unsupervised baseline.	Isolation Forest is an unsupervised machine-learning method for anomaly and outlier detection, introduced by Liu, Ting and Zhou in 2008, that isolates anomalies through random partitioning of the data. It works without any labelled anomaly data and scales to high-dimensional datasets.