1.一直以来想写下机器学习训练AI算法的系列文章，作为较火的机器学习框架，也是日常项目开发中常用的一款工具，最近刚好挤时间梳理、总结下这块儿的知识体系。
2.熟悉、梳理、总结下scikit-learn框架OCSVM模型相关知识体系。
3.欢迎批评指正，欢迎互三，跪谢一键三连！
4.欢迎批评指正，欢迎互三，跪谢一键三连！
5.欢迎批评指正，欢迎互三，跪谢一键三连！

1.环境前置说明

• import sklearn
  print( sklearn.__version__ )
  # 0.19.2
  
  !python --version
  # Python 3.7.0
  # 版本过高，部署至生产环境会产生N多问题，暂时不使用过高版本，实战总结为主
  

• 

1.OC-SVM简要总结

• OC-SVM（One-Class Support Vector Machine）是一种无监督学习算法，支持向量机（Support Vector Machine，SVM）的变体，广泛应用于异常检测、离群点检测、网络安全、图像处理等领域。它可以帮助识别潜在的异常情况，对于保护系统的安全和发现异常行为具有重要的作用。
• OC-SVM旨在通过仅使用正常数据来建模，识别出与正常模式不同的异常数据点。即仅使用正例样本来学习一个描述正例样本特征的超平面，并尽可能将负例样本远离该超平面（也可以仅使用负样本）。
  • 工作原理及相关术语
    • 数据映射：将正常数据映射到高维特征空间，使得正常数据点能够被一个超平面所包围（决策边界margin）。
    • 寻找最优超平面：通过最大化超平面与正常数据之间的间隔，寻找一个最优的分割超平面，使得异常点尽可能远离该超平面。即决策边界要尽可能远离正常数据点。
    • 异常检测：对于新数据点，通过计算其与超平面的距离，来判断该数据点是否为异常。距离较大的数据点更有可能是异常点。
  • 模型重要参数
    • nu参数控制异常点的比例。它限制在模型中允许存在的异常点的比例。较小的nu值表示更少的异常点，较大的nu值表示更多的异常点。
    • kernel参数定义了用于计算样本之间相似度核函数，例如线性核、高斯核等。
  • 优缺点总结
    • [S] 不需要异常数据进行训练，只需要正常数据即可。
    • [S] 对于高维数据和复杂的数据分布具有较好的适应性。
    • [S] 调整模型参数控制异常点的检测灵敏度。
    • [W] 在处理高维数据和大规模数据时，计算复杂度较高
    • [W] 数据分布不均匀或存在噪声的情况，效果可能不理想
    • [W] 需要谨慎选择模型参数，以避免过拟合或欠拟合的情况
• TSNE
  • t-SNE（ t-distributed Stochastic Neighbor Embedding）是目前来说效果最好的数据降维与可视化方法，它能够将高维的数据降维到2维或3维，然后画成图的形式表现出来。目前来看，t-SNE是效果相对比较好，并且实现比较方便的方法。
  • 过于高维一般不使用，当数据维数过高时，两个矩阵的计算量是很大的。所以一般来说，我们会先用 PCA 降维到 10 维左右，再使用 t-SNE 降维到 2 或 3 维空间进行可视化。如果在低维空间中具有可分性，则数据是可分的；如果在高维空间中不具有可分性，可能是数据不可分，也可能仅仅是因为不能投影到低维空间。
  • t-SNE（TSNE）的原理是将数据点之间的相似度转换为概率。原始空间中的相似度由高斯联合概率表示，嵌入空间的相似度由“学生t分布”表示。

2.scikit-learn中One-Class SVM常用方法及参数含义

2.1 One-Class SVM中常用方法

• fit(X)：输入训练样本进行训练。
• predict(X)：返回预测值，+1就是正常样本，-1就是异常样本。
• decision_function(X)：返回各样本点到超平面的函数距离（signed distance），正的为正常样本，负的为异常样本。
• set_params(**params)：设置这个评估器的参数。
• get_params([deep])：获取这个评估器的参数。

•  |  Methods defined here:
   |  
   |  decision_function(self, X)
   |      Signed distance to the separating hyperplane.
   |      
   |      Signed distance is positive for an inlier and negative for an outlier.
   |      
   |      Parameters
   |      ----------
   |      X : array-like, shape (n_samples, n_features)
   |      
   |      Returns
   |      -------
   |      X : array-like, shape (n_samples,)
   |          Returns the decision function of the samples.
   |  
   |  fit(self, X, y=None, sample_weight=None, **params)
   |      Detects the soft boundary of the set of samples X.
   |      
   |      Parameters
   |      ----------
   |      X : {
       array-like, sparse matrix}, shape (n_samples, n_features)
   |          Set of samples, where n_samples is the number of samples and
   |          n_features is the number of features.
   |      
   |      sample_weight : array-like, shape (n_samples,)
   |          Per-sample weights. Rescale C per sample. Higher weights
   |          force the classifier to put more emphasis on these points.
   |      
   |      Returns
   |      -------
   |      self : object
   |          Returns self.
   |      
   |      Notes
   |      -----
   |      If X is not a C-ordered contiguous array it is copied.
   |  
   |  predict(self, X)
   |      Perform classification on samples in X.
   |      
   |      For an one-class model, +1 or -1 is returned.
   |      
   |      Parameters
   |      ----------
   |      X : {
       array-like, sparse matrix}, shape (n_samples, n_features)
   |          For kernel="precomputed", the expected shape of X is
   |          [n_samples_test, n_samples_train]
   |      
   |      Returns
   |      -------
   |      y_pred : array, shape (n_samples,)
   |          Class labels for samples in X.
   |  Methods inherited from sklearn.base.BaseEstimator:
   |  
   |  __getstate__(self)
   |  
   |  __repr__(self)
   |      Return repr(self).
   |  
   |  __setstate__(self, state