异常检测算法（二）：OneClassSVM【严格讲，不是outlier检测方法，而是novelty检测方法】【但数据维度很高或对相关数据分布没任何假设情况下，也可作为一种很好的outlier检测方法】

OneClassSVM两个功能：

• 无监督异常值检测；
• 解决非平衡样本分类；

在做非平衡样本分类的问题时，其中如果有一类比例严重失调，就可以直接用这个方式来做：OneClassSVM；

OneClassSVM还有一个功能就是异常值检测。

scikit-learn官网：2.7. Novelty and Outlier Detection

严格地讲，OneClassSVM不是一种outlier detection方法，而是一种novelty detection方法：它的训练集不应该掺杂异常点，因为模型可能会去匹配这些异常点。 但在数据维度很高，或者对相关数据分布没有任何假设的情况下，OneClassSVM也可以作为一种很好的outlier detection方法。

在分类问题中，当两类样本及其不平衡时，也可以将个数比例极小的那部分当做异常点来处理，从另外一种角度来完成分类任务！

一、OneClass、二分类、多分类

典型的2类问题：识别邮件是否是垃圾邮件，一类“是”，另一类“不是”

典型的多类问题：人脸识别，每个人对应的脸就是一个类，然后把待识别的脸分到对应的类中去

而OneClassClassification，它只有一个类，属于该类就返回结果“是”，不属于就返回结果“不是”，乍一听感觉与2分类没什么区别，其实他们的思想有很大差异。在