深度SVDD的PyTorch实现 该存储库提供了我们的ICML 2018论文“深度一类分类”中介绍的Deep SVDD方法的实现。 引用与联系 您可以在找到《深层一类分类ICML 2018》论文的PDF。 如果您使用我们的作品，也请引用以下文章： @InProceedings{pmlr-v80-ruff18a, title = {Deep One-Class Classification}, author = {Ruff, Lukas and Vandermeulen, Robert A. and G{\"o}rnitz, Nico and Deecke, Lucas and Siddiqui, Shoaib A. and Binder, Alexander and M{\"u}ller, Emmanuel and Kloft, Marius}, bookti

主要功能： 1、支持单值分类和二值分类的超球体构建 2、支持多种核函数 (linear, gaussian, polynomial, sigmoid, laplacian) 3、支持 2D 或 3D 数据的决策边界可视化 4、支持基于贝叶斯超参数优化、遗传算法和粒子群算法的 SVDD 的参数优化 5、支持加权的 SVDD 资源使用事项： 1、提供了多个示例文件，每个文件的开头都有对应的介绍 2、需要 R2016b 以上的 MATLAB 版本 3、内含详细的使用说明 4、主要用于单类(One-class)分类问题得的研究。对于单分类任务。不是分类问题以“区分不同的类”为目标，也不是回归问题以“对每一个样本产生一个期望输出”为目标，而是给出一个关于训练样本集的描述，同时检测哪些与这个训练样本集相似的(新的)样本。该描述应该覆盖代表训练样本集的样本类，同时，在理想情况下，该描述应该能够将样本空间中其它所有可能的异常样本排除在外。

支持向量数据描述 (Support Vector Data Description, SVDD) 语言：Python 版本：V1.1 --------------------------------------------- 创作不易，欢迎各位5星好评~~~ 如有疑问或建议，请发邮件至：iqiukp@outlook.com 可提供关于该算法/代码的付费咨询和有偿编写 -------------------------------------------- 主要功能 1. 基于 sklearn.base 的 SVDD BaseEstimator 2. 支持单值分类和二值分类的超球体构建 3. 支持多种核函数 (linear, gaussian, polynomial, sigmoid) 4. 支持 2D 数据的决策边界可视化 --------------------------------------------- 依赖库 cvxopt matplotlib numpy scikit_learn scikit-opt (可选，仅用于参数优化)

支持向量数据描述SVDD：使用支持向量数据描述（SVDD）进行异常检测或故障检测的MATLAB代码

关于单值分类的程序和仿真，可以直接运行，里面有现成的数据。

In this section, we introduce the optimization problems of the support vector data description (SVDD). We follow Tax (2001) and Tax and Duin (2004).

基于SVDD和深度学习的特定类别图片分类研究，陆健，肖波，随着互联网的高速发展，人们从网上获取大量信息的同时，也深受某些，比如不良、暴恐等图片的困扰。因此，对于这些图片进行过滤是

支持向量数据描述（SVDD） 用于使用SVDD进行异常检测或故障检测的Python代码。 电子邮件： 主要特点 用于仅包含正训练数据的训练数据集的SVDD模型。 （SVDD） 包含正训练数据和负训练数据的训练数据集的SVDD模型。 （nSVDD） 多种内核功能。 可视化模块，包括ROC曲线图，测试结果图和决策边界。 要求 matplotlib cvxopt 科学的 麻木 scikit_learn 关于SVDD型号 根据以下参考文献，可以构建两种类型的SVDD模型： [1] Tax DMJ，Duin RP W.支持向量数据描述[J]。 机器学习，2004，54（1）：45-66。 一个简单的决策边界应用程序（使用不同的内核函数） # -*- coding: utf-8 -*- import sys sys.path.append("..") from src.svdd im

svdd 支持向量数据描述

鲸鱼算法优化支持向量机，可用于类预测，测试可用