Machine learningMachine learning
单类支持向量机
单类支持向量机（One-class SVM）是一种无监督的异常值和新颖性检测算法。它在由核函数诱导的特征空间中学习一个紧密的边界来包围正常的训练数据，并将落在该边界之外的新观测值标记为异常值。该算法由Scholkopf等人于1999-2001年提出，它将支持向量机（SVM）框架扩展到了没有标记异常值的单类设置。
在 MethodMind 中打开即将推出Apply, compare, get guidance
Tools & resources
Learn & explore
视频即将推出
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
另有 18 项
来源
- 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 ↗
如何引用本页
ScholarGate. (2026, June 3). One-Class Support Vector Machine (Novelty and Anomaly Detection). ScholarGate. https://scholargate.app/zh/machine-learning/one-class-svm
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
并排比较 →被引用于
主动学习孤立森林主动学习单类支持向量机自动编码器异常检测贝叶斯自编码器异常检测贝叶斯单类支持向量机集成自编码器异常检测集成孤立森林集成单类支持向量机 (Ensemble One-Class SVM)可解释自编码器异常检测可解释隔离森林可解释单类支持向量机局部异常因子 (LOF)在线自编码器异常检测在线孤立森林 (Online Isolation Forest)在线单类支持向量机正则化高斯混合模型鲁棒自编码器异常检测鲁棒高斯混合模型鲁棒隔离森林鲁棒单类支持向量机 (Robust One-Class SVM)鲁棒支持向量机自监督自编码器异常检测自监督隔离森林自监督单类支持向量机 (Self-supervised One-class SVM)半监督自编码器异常检测半监督隔离森林半监督单类支持向量机