澄清 sci-kit 学习 OneClass SVM 到底在做什么？它不适合超球面

问题描述

根据大多数关于 One-Class SVM 的文档，该算法基本上尝试拟合数据周围的超球面 (SVDD)。然而，sci kit 学习方法使用超平面来分离数据。 这或多或少类似于标准 SVM 的工作方式。 这是我的问题？

1.) 在超平面的世界中，分数 (model.score_samples) 是什么意思？（在 SVDD/超球世界中，分数是距原点的距离）

• + b > 0 其中 w 和 b 是我们试图优化的参数，b 是我们在不失一般性的情况下添加的偏差。

• 因此，上述数量的SIGN会告诉我班级吗？

2.) 一旦优化了 w，我们就得到了最佳决策边界。那么从这个意义上说，margin（从支持向量到决策边界的距离）是阈值吗？

3.) 我的主要目标是使用分数来解释正在发生的事情并使用阈值来决定什么是异常值（我不想使用 model.predict）

4.) 根据此链接，sci kit learn 正在尝试拟合 n-dim 球体：/ One Class SVM with a RBF Kernel

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）