什么是 单类支持向量机（One-Class SVM）？
单类支持向量机（One-Class SVM）是一种无监督核方法，它围绕参考分布估计边界，并为新观测输出用于新颖性检测的有符号 Decision Score。
快速了解
| 全称 | One-Class Support Vector Machine |
|---|---|
| 创建时间 | 2001 年由 Bernhard Schölkopf、John Platt、John Shawe-Taylor、Alex Smola 与 Robert Williamson 提出 |
| 规范文档 | 官方规范 |
工作原理
拟合 Kernel Level Set，而不是第二个类别
标准 ν-One-Class SVM 在 Feature Space 中优化带 Offset rho、Slack Variable 和参数 nu 的 Separating Hyperplane。Decision Function 形如 sum_i alpha_i k(x_i,x)-rho，只有 Coefficient 非零的训练样本成为 Support Vector。
原始支持估计论文把该构造与高密度子集估计联系起来，但不会证明学到的区域等于语义类别，也不会证明每个区域外样本都有危害。
在明确假设下解释 nu 与训练污染
对标准 ν Formulation，nu 在优化假设下控制与 Margin Error Fraction 和 Support-vector Fraction 有关的界。它不是预期生产异常率的简单设置；有限样本、重复观测、Solver Tolerance 或 Weighting 都会让经验值难以精确对应理论界。
Novelty Detection 假设 Reference Training Set 基本干净，模型训练后再评分新样本；Outlier Detection 则在训练集含污染时拟合。One-Class SVM 对污染 Reference 较敏感，因此要清洗数据、测试注入异常，并比较 Robust 或 Density-based Alternative。
校准决策策略并持续监控漂移
Scaling、Feature Extraction、Kernel Family、Bandwidth 与 nu 都必须在仅含训练数据的 Resampling 中拟合。应利用代表性正常数据、已知 Incident、Synthetic Challenge 或 Review Capacity 选择运行阈值，不能默认 Solver 的零边界刚好对应所需告警率。
当前 scikit-learn 异常检测指南区分 Novelty 与 Outlier Detection，并指出 One-Class SVM 的敏感性。上线后应监控 Score Distribution、Alert Volume、Support-vector Count、False Positive、Delayed Label 与 Reference Drift。
主要特点
- 无需带标签异常样本即可学习 Acceptance Region
- 通过 Kernel Evaluation 和 Support Vector 表示 Decision Function
- nu 约束优化行为，而不是直接设置概率
- 按具体实现约定返回有符号 Novelty Score
- 对 Feature Scaling 和 Kernel Bandwidth 高度敏感
- 可能被 Reference Training Set 中的污染扭曲
常见用途
- 根据健康参考时段筛查新的传感器观测
- 在确认欺诈标签稀缺时标记异常交易
- 发现新颖制造测量值并交给人工检查
- 监控 Embedding 是否偏离经过筛选的参考语料
- 与 Isolation Forest 或 Density Method 对照非线性新颖性基线
示例
Loading code...常见问题
One-Class SVM 属于监督学习还是无监督学习？
它通常归为 Unsupervised Method，因为拟合不需要带标签异常或第二个类别。但完整工作流仍需要 Domain Rule、人工 Review、已知 Incident 或 Synthetic Test 来选择 Feature、调整阈值并评估告警。
One-Class SVM 中的 nu 表示什么？
Nu 是标准 Formulation 中与 Margin Error 和 Support-vector Fraction 理论界有关的优化参数。它不直接等于异常概率，也不能保证未来数据保持相同告警率，尤其是在 Distribution Drift 下。
One-Class SVM 的负分数是异常概率吗？
不是。它只按当前 Score Convention 表示样本位于拟合 Level-set Boundary 的哪一侧。应使用验证证据校准独立 Action Threshold，模型重训后也不能在未对齐时直接比较 Raw Magnitude。
One-Class SVM 可以使用含污染的数据训练吗？
可以拟合，但被污染的 Reference Point 可能拉动或分裂所学边界。应估计污染率、检查有影响力的 Support Vector、比较 Robust Alternative，并用留出的正常时段和已知或注入异常评测。
生产环境应该如何监控 One-Class SVM？
持续跟踪 Input 与 Score Drift、Threshold Exceedance Rate、Support-vector Count、延迟、Review Outcome 和延迟到达的 Incident Label。重训必须走版本化流程，禁止把已检测异常自动升级为可信 Reference。