回答您的问题：是的，根据您选择的超参数，您可能会过度拟合所考虑的正常数据，如果您在正常点和新点之间拟合分离超平面，在输入数据上“形状”太多。例如，在一类支持向量机的情况下，有一些重要的超参数，如 nu 或 gamma：

• nu：有了这个，你告诉 oc-SVM 你想在输入数据中考虑的新点（即异常）的比例；这样，您就不会通过不考虑所有输入数据的正常来过度拟合您的模型（这也取决于您的用例，您希望对输入数据点的正常性有多大把握……）您可以使用scikit-learn 以这种方式打包：

nu=0.01

带有 nu=0.1的VS ，您告诉模型将更高比例的点视为异常：

因此，nu 值越低，您就越“过度拟合”您的新奇检测器（这可能更好或更差，具体取决于您对输入数据的了解程度）。

• gamma：现在，看看 gamma 值的影响，这对于过度拟合模型至关重要：

使用 gamma=0.1（和 rbf 内核），您有以下决策面：

VS 伽马 = 10

在哪里，使用最后一个选项，您过度拟合了。