我正在尝试将一个类支持向量机与python scikit learn结合使用。
但我不明白在这个address中有哪些不同的变量X_outliers，n_error_train，n_error_test，n_error_outliers，等等。为什么X是随机选择的，而不是数据集的一部分？
Scikit学习“文档”对我帮助不大另外，我在网上发现的例子很少
在数据密集的情况下，如果我不知道我的训练集中是否存在异常，我可以使用一类支持向量机来检测异常值吗？
一类支持向量机是一种无监督的离群点检测（here）
一类支持向量机不是一种异常检测方法，而是一种
新颖性检测方法（here）
这可能吗？
最佳答案
好吧，所以这不是一个python问题，更多的是一个支持向量机理解问题，但是。典型的支持向量机分为两类，是一种分为两个阶段的算法：
首先，它将学习变量和属性之间的关系。例如，显示算法番茄图片和香蕉图片，每次告诉他是香蕉还是番茄，然后告诉他计算每张图片中的红色像素数如果你做的正确，支持向量机将被训练，这意味着他将知道，有很多红色像素的图片更有可能是西红柿而不是香蕉。
然后是预测阶段你给他看一张西红柿或香蕉的照片，却不告诉他是哪一个。因为他以前受过训练，所以他会数一数红色像素，知道是哪一个。
在一类支持向量机的例子中，它有点简单，基本上训练阶段是给他显示一堆变量，这些变量都应该是相似的你给他看了一堆西红柿图片，告诉他“这些是西红柿，其他与这些太不同的东西都不是西红柿”。
你链接到的代码是一个测试支持向量机学习能力的代码。首先创建变量X_train。然后生成另外两个集合，X_test与X_train（番茄图片）和X_outliers非常不同。（香蕉图片）
然后你给他看X_train变量，告诉你的支持向量机“这是我们正在寻找的那种变量”和clf.fit(X_train)行在我的例子中，这相当于给他展示了大量的西红柿图像，SVN学习什么是“西红柿”。
然后你测试你的支持向量机对新变量的排序能力，向他展示你的另外两个集合（X_test和X_outliers），问他是否认为它们与X_train相似。你问他，使用predict函数，predict将为集合中的每个元素产生结果，要么是“1”，即“是，这是与X_train相似的元素”，要么是“-1”，即“这个元素非常不同”。
在理想情况下，支持向量机对于X_test只产生“1”，对于X_outliers只产生“-1”。但这段代码向您表明，情况并非总是如此。变量n_error_用来计算支持向量机所犯的错误，错误地将X_test元素分类为“与X_train不相似，X_outliers元素分类为“与X_train相似”你可以看到，当SVM被要求在训练过的集合上进行预测时，甚至会出现错误（n_error_train）
为什么会有这样的错误？欢迎使用机器学习。支持向量机的主要难点在于训练集的设置，使得支持向量机能够有效地学习，区分类别所以你需要仔细设置你给他看的图像的数量（以及他在图像中要注意的东西（在我的例子中，是红色像素的数量，在代码中，是变量的值），但这是另一个问题。
在代码中，X集合的有界但随机初始化意味着，例如，在运行训练期间，X_train集合上的SVM可以有很多介于-0.3和0之间的值，即使它们是在-0.3和0.3之间随机初始化的（特别是如果每个集合中只有几个元素，例如5，并且您得到了[-0.2-0.1 0-0.1 0.1]）。因此，当您向SVM显示一个值为0.2的元素时，他将无法将其与X_train关联，因为它将了解到X_train元素更有可能具有负值。
这相当于在训练SVM时给他看一些黄色的西红柿，所以当你在训练之后给他看一个真正的红色西红柿时，它就很难把它归类为西红柿。
关于algorithm - 试图了解一类SVM，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/41035001/