正如文档所说，One Class SVM 解决的问题是新颖性检测。描述如何将 SVM 用于此任务的原始论文是“ Support Vector Method for Novelty Detection ”。

新颖性检测的想法是检测稀有事件，即很少发生的事件，因此您只有很少的样本。那么问题是，训练分类器的常用方法将不起作用。

那么你如何决定什么是新颖的模式呢？许多方法都是基于对数据概率密度的估计。新颖性对应于概率密度“非常低”的那些样本。多低取决于应用程序。

现在，SVM 是最大边距方法，即它们不对概率分布建模。这里的想法是找到一个函数，该函数对高密度点的区域为正，而对低密度的区域为负。

论文中给出了具体细节。;) 如果您真的打算阅读本文，请确保您首先了解分类的基本 SVM 算法的设置。这将使理解算法的界限和动机变得更加容易。

我假设您了解标准 SVM 的工作原理。总而言之，它使用具有最大可能边距的超平面将两个类分开。

一类 SVM 类似，但它不是使用超平面来分隔两类实例，而是使用超球面来包含所有实例。现在将“边距”视为指超球面的外部——所以“最大可能的边距”是指“最小的可能超球面”。

就是这样。请注意以下事实，适用于 SVM，仍然适用于一类 SVM：

• 如果我们坚持不违反边距，通过寻找最小的超球面，边距最终会触及少数实例。这些是“支持向量”，它们完全决定了模型。只要它们在超球面内，所有其他实例都可以在不影响模型的情况下进行更改。

• 如果我们不希望模型对噪声过于敏感，我们可以允许一些边距违规。

• 我们可以在原始空间或扩大的特征空间（隐含地，使用核技巧）中执行此操作，这可能会导致原始空间中具有复杂形状的边界。

注意：这是我对此处描述的模型的描述。我相信这是 Tax 和 Duin 提出的 One-Class SVM 的版本。还有其他方法，例如 Schölkopf 等人的方法，类似，但不是使用小超球面，而是使用远离原点的超平面；这是 LIBSVM 实现的版本，因此是 scikit-learn。

1.传统的SVM

• 项目指向高维空间以分离两个类（最初在低维空间中不可分离）
• 查找支持向量（在特征空间中每个类的边缘）
• 允许一些点在支持向量之间的区域内有一些软边距（这是为了避免过度拟合）
• 最终目标是最大化利润

2.一类SVM

一种。根据Schölkopf 等人的说法。

• 项目指向更高维度的空间
• 使用超平面将特征空间中的所有数据点与原点分离
• 与传统的支持向量机（svm）不同，我们使用软边距来保证平滑度，我们使用一个参数来修复数据中异常值的一部分
• 最大化超平面和原点之间的距离
• 位于超平面下方且更靠近原点的点是异常值

湾。根据税务等人。

• 项目指向更高维度的空间
• 使用超球体将特征空间中的所有数据点与原点分离
• 像传统的 svm 一样，我们使用软边距来实现平滑
• 最小化超球体的体积
• 位于超球面之外的点是异常值。

您可以以某种半监督的方式将 One Class SVM 用于一些用于主动学习的管道。

例如：由于 SVM 处理如前所述的最大边距方法，您可以将这些边距区域视为某些特定类的边界并执行重新标记。