使用某些方法可以做到这一点，并且肯定是一种有效的方法。不过，我不确定随机森林是否可以做到这一点。

生成人工数据意味着做出额外的假设，如果没有必要就不要这样做。

您可能想要研究的一种技术是所谓的一类 SVM。它完全符合您的要求：它尝试构建一个模型，该模型接受训练点并拒绝来自其他分布的点。

关于一类 SVM 的一些参考资料：

1. Schölkopf、伯恩哈德等人。“估计高维分布的支持。” 神经计算 13.7 (2001): 1443-1471。本文介绍了该方法。

2. 税，大卫 MJ 和罗伯特 PW Duin。“支持向量数据描述。” 机器学习 54.1（2004）：45-66。做同样事情的不同方式，可能更直观。

这两种方法已被证明是等效的。第一个估计一个超平面，它以最大距离将所有训练数据与特征空间中的原点分开。第二个估计包含训练实例的特征空间中具有最小半径的超球面。

一类 SVM 在许多 SVM 包中都可用，包括libsvm、scikit-learn (Python) 和kernlab (R)。

让我添加更多可能性：

一般的想法是，为与类的距离设置阈值可以让您决定样本是否属于该类，而不管是否有其他类。

• 马氏距离 => QDA
• SIMCA（类类比的软独立建模）使用 PCA 分数空间中的距离。
  SIMCA 在化学计量学文献中很常见（尽管很少真正以一类方式建立）。
• （@Marc Claesen 的回答中已经处理了 SVM）

Richard G. Brereton: Chemometrics for Pattern Recognition (Wiley, 2009) 有一整章是关于一类分类的。