sklearn.svm.OneClassSVM（一类支持向量机，用于异常检测）

OneClassSVM 是 sklearn.svm 提供的 异常检测（Outlier Detection） 方法，适用于 无监督学习，用于检测异常点、孤立点或异常行为，例如 欺诈检测、入侵检测、工业设备故障检测。

---

1. OneClassSVM 作用

• 用于异常检测（outlier detection），识别不同于主流数据的样本。
• 基于支持向量机（SVM），寻找高维超平面，使得大多数正常数据在一侧，异常数据在另一侧。
• 适用于高维数据，但对大规模数据计算较慢。

---

2. OneClassSVM 代码示例

(1) 训练 OneClassSVM 进行异常检测

from sklearn.svm import OneClassSVM
import numpy as np

# 生成数据
rng = np.random.RandomState(42)
X = 0.3 * rng.randn(100, 2)  # 100 个正常点
X = np.concatenate([X, rng.uniform(low=-4, high=4, size=(10, 2))])  # 10 个异常点

# 训练 One-Class SVM 模型
model = OneClassSVM(kernel="rbf", gamma="scale", nu=0.1)
model.fit(X)

# 预测：1 表示正常点，-1 表示异常点
y_pred = model.predict(X)

# 统计异常点数量
n_outliers = np.sum(y_pred == -1)
print("检测到的异常点数量:", n_outliers)

解释

• nu=0.1：假设 10% 的数据是异常点（超参数）。
• kernel="rbf"：使用径向基函数（RBF）核，适用于非线性数据。
• gamma="scale"：自动计算核函数参数，值越大，影响越局部。

---

3. OneClassSVM 主要参数

OneClassSVM(kernel="rbf", nu=0.1, gamma="scale", degree=3)

参数	说明
nu	异常样本比例（默认 0.1，范围 0 < nu ≤ 1）
kernel	核函数类型（"linear"、"poly"、"rbf"、"sigmoid"）
gamma	核函数参数（默认 "scale"，值越大影响越局部）
degree	多项式核的阶数（仅在 kernel="poly" 时有效）

---

4. 获取异常分数

anomaly_scores = model.decision_function(X)
print("前 10 个样本的异常分数:", anomaly_scores[:10])

解释

• decision_function(X) 返回 异常分数（anomaly score），值越小越可能是异常点。

---

5. 可视化异常点

import matplotlib.pyplot as plt

# 可视化正常点和异常点
plt.scatter(X[:, 0], X[:, 1], c=y_pred, cmap="coolwarm", edgecolors="k")
plt.title("OneClassSVM 异常检测")
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")
plt.show()

解释

• 蓝色表示正常点，红色表示异常点。

---

6. OneClassSVM vs. 其他异常检测方法

方法	适用情况	主要区别
OneClassSVM	基于超平面分割异常点	适用于高维数据，但计算成本高
IsolationForest	基于决策树隔离异常点	适用于大规模数据，计算更快
LocalOutlierFactor (LOF)	基于密度检测异常点	适用于低维数据，计算局部密度

示例

from sklearn.ensemble import IsolationForest

iso_forest = IsolationForest(contamination=0.1, random_state=42)
iso_forest.fit(X)
y_pred_iso = iso_forest.predict(X)

print("IsolationForest 检测到的异常点数量:", np.sum(y_pred_iso == -1))

解释

• OneClassSVM 适用于高维数据，IsolationForest 适用于大规模数据。

---

7. nu 对异常检测的影响

nu_values = [0.05, 0.1, 0.2]
for nu in nu_values:
    model = OneClassSVM(kernel="rbf", nu=nu, gamma="scale")
    model.fit(X)
    y_pred = model.predict(X)
    print(f"nu={nu}, 检测到的异常点数={np.sum(y_pred == -1)}")

解释

• nu=0.05：认为 5% 的数据是异常点。
• nu=0.2：认为 20% 的数据是异常点。

---

8. 适用场景

• 异常检测（outlier detection）（如 欺诈检测、网络攻击检测）。
• 数据无标签，使用无监督学习。
• 当数据异常点较少时，OneClassSVM 可能比传统方法更有效。

---

9. 结论

• OneClassSVM 适用于异常检测任务，利用支持向量机超平面分割异常点，适用于高维数据，但比 IsolationForest 计算成本更高。