class sklearn.svm.OneClassSVM(kernel='rbf', degree=3, gamma='scale', coef0=0.0, tol=0.001, nu=0.5, shrinking=True, cache_size=200, verbose=False, max_iter=-1)
无监督异常值检测。
估计高维分布的支持。
该实现基于libsvm。
在用户手册里面可以了解更多关于异常检测的知识。
参数（kernel,gamma,nu和tol比较重要）
kernel： string, optional (default=’rbf’)，
核函数，字符串型，可选择的，默认为’rbf’，即高斯核
指定算法中要使用的内核类型。 它必须是“linear”，“poly”，“ rbf”，“ sigmoid”，“precomputed”或可调用项之一。 如果没有给出，将使用“ rbf”。 如果给出了可调用对象，则将其用于预先计算内核矩阵。
degree: int, optional (default=3)
阶数，整形，可选择的。
多项式内核函数（“ poly”）的阶数。 被所有其他内核忽略
gamma：{‘scale’, ‘auto’} or float, optional (default=’scale’)
内核系数，{‘scale’, ‘auto’}或者浮点型，可选择的，默认为’scale’
“ rbf”，“ poly”和“ Sigmoid”的内核系数。
如果传递了gamma =‘scale’（默认值），则它将1 /（n_features * X.var（））用作gamma值，
如果为‘auto’，则使用1 / n_features。
在版本0.22中进行了更改：gamma的默认值从‘auto’更改为’scale’。
coef0：float, optional (default=0.0)
内和参数，浮点型，可选择的，默认为0.0
内核函数中的独立参数。 它仅对“ poly”和“ sigmoid”有意义。
tol：float, optional
停止标准的度量
nu：float, optional
训练误差分数的上限，支持向量分数的下限。 应该在间隔（0，1]中。默认情况下，取0.5。
shrinking：boolean, optional
布尔值，可选的
是否使用缩小的启发式方法。
cache_size：float, optional
指定内核缓存的大小（以MB为单位）。
verbose：bool, default: False
启用详细输出。 请注意，此设置利用了libsvm中每个进程的运行时设置，如果启用了该设置，则该设置可能无法在多线程上下文中正常工作。
max_iter：int, optional (default=-1)
对求解器内的迭代进行硬性限制，或者为-1（无限制）。
属性
support_：列向量(n_SV)
支持向量的索引
support_vectors_：矩阵(n_SV, n_features)
支持向量
dual_coef_：行向量，shape = [1, n_SV]
分配给特征的权重（原始问题的系数）。 仅在线性内核的情况下可用。
coef_是从dual_coef_和support_vectors_派生的只读属性
intercept_：行向量，shape = [1,]
决策函数中的常数。
offset_：浮点型
偏移量用于根据原始分数定义决策函数。 我们具有以下关系：Decision_function = score_samples-offset_。 该偏移量与intercept_相反，并且为与其他异常值检测算法保持一致而提供。
fit_status_：整型
如果正确安装，则为0，否则为1（将发出警告）
例子
from sklearn.svm import OneClassSVM
X = [[0], [0.44], [0.45], [0.46], [1]]
clf = OneClassSVM(gamma='auto').fit(X)
clf.predict(X)
##array([-1, 1, 1, 1, -1])
clf.score_samples(X) # doctest: +ELLIPSIS
##array([1.7798..., 2.0547..., 2.0556..., 2.0561..., 1.7332...])
方法
decision_function(self, X):
到分离超平面的距离。
如果样本在分离超平面的里面则距离是正的，反之距离是负的。
参数：
X：shape (n_samples, n_features)
返回值：
dec：shape (n_samples,)
返回样本的决策函数
fit(self, X, y=None, sample_weight=None, **params)：
检测样本集合X的软边界
参数：
X：shape (n_samples, n_features)
样本集，其中n_samples是样本数，n_features是特征数。
sample_weight：shape (n_samples,)
每样本权重。 每个样品重新定标C。 较高的权重迫使分类器更加强调这些要点。
y：被忽略
未使用，按惯例提供API一致性。
返回
self:object
注意
如果X不是C顺序的连续数组，则将其复制。
fit_predict(self, X, y=None)：
对X执行拟合并返回X的标签。
对于离群值返回-1，对于群体内的值返回1。
参数
X：shape (n_samples, n_features)
输入数据
y：忽略
get_params(self, deep=True)：
获取此估计量的参数。
参数
deep：布尔值，默认为True
如果为True，则将返回此估计量和作为估计量的包含子对象的参数。
返回：参数名称映射到其值。
predict(self, X)：
对X中的样本执行分类。对于一类模型，返回+1或-1。
参数
X：shape=(n_samples, n_features)
对于内核=“precomputed”，X的预期形状为[n_samples_test，n_samples_train]
返回
X的分类标签
score_samples(self, X)
样本的原始评分功能。
参数
X：(n_samples, n_features)
返回
返回样本的（未移位）评分函数。
set_params(self, **params)：
设置此估算器的参数。
该方法适用于简单的估计器以及嵌套对象（例如管道）。
参数
**params：估计器参数
返回
估算器实例。
