关于Scikit-learn中OneClassSVM的两项技术疑问咨询

刚好我之前也在无监督异常检测场景里用OneClassSVM做过不少实验，对你的这两个疑问很熟悉，给你明确的解答：

1. 训练时的样本选择 #

OneClassSVM是专为无监督异常检测设计的算法，训练阶段只需要使用正常样本就足够了。它的核心逻辑是学习正常数据的特征分布，建立一个“边界”来圈定正常样本的范围；当预测阶段遇到不在这个范围内的样本时，就会被判定为异常。

如果训练时混入异常样本，尤其是当异常样本占比不低的情况下，模型会错误地把部分异常数据的分布纳入“正常”范围，反而降低异常检测的准确率。所以建议只使用你确认的正常样本进行训练。

2. 预测标签的含义 #

在Scikit-learn的OneClassSVM中，predict()方法返回的标签规则很明确：

• 1代表正常样本（符合模型学习到的正常分布）
• -1代表异常样本（偏离了正常分布）

要是怕记混，你可以快速做个小测试：用训练好的模型预测一个明显和训练样本差异很大的样本，会发现它返回的是-1，这样就能直观验证这个规则了。

内容的提问来源于stack exchange，提问作者mousa alsulaimi