OneClassSVM#

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)[源代码]#

无监督异常值检测。

估计一个高维分布的支撑集。

该实现基于 libsvm。

在 用户指南 中阅读更多内容。

参数:
kernel{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} 或可调用对象，默认值为’rbf’

指定算法中使用的核函数类型。如果未给出，则使用“rbf”。如果给出可调用对象，则用于预计算核矩阵。

degreeint，默认值为3

多项式核函数（‘poly’）的次数。必须是非负的。其他所有核函数均忽略此参数。

gamma{‘scale’, ‘auto’} 或 float，默认值为’scale’

‘rbf’、‘poly’ 和 ‘sigmoid’ 的核系数。

  • 如果传递 gamma='scale'（默认值），则使用 1 / (n_features * X.var()) 作为 gamma 的值，

  • 如果为 ‘auto’，则使用 1 / n_features

  • 如果为 float，则必须是非负的。

版本 0.22 中已更改：gamma 的默认值从 ‘auto’ 更改为 ‘scale’。

coef0float，默认值为0.0

核函数中的常数项。它仅在 ‘poly’ 和 ‘sigmoid’ 中很重要。

tolfloat, default=1e-3

停止准则的容差。

nufloat, default=0.5

训练误差分数的上限和支持向量分数的下限。应在区间 (0, 1] 内。默认值为 0.5。

shrinkingbool，默认值为True

是否使用收缩启发式方法。请参阅 用户指南。

cache_sizefloat，默认值为200

指定核缓存的大小（以 MB 为单位）。

verbosebool, default=False

启用详细输出。请注意，此设置利用了 libsvm 中一个每个进程的运行时设置，如果启用，在多线程环境中可能无法正常工作。

max_iterint，默认值为-1

求解器内迭代次数的硬限制，或者 -1 表示无限制。

属性:
coef_形状为 (1, n_features) 的 ndarray

当 kernel="linear" 时分配给特征的权重。

dual_coef_形状为 (1, n_SV) 的 ndarray

决策函数中支持向量的系数。

fit_status_int

0 表示拟合正确，1 表示否则（将引发警告）

intercept_ndarray of shape (1,)

决策函数中的常数。

n_features_in_int

在 拟合 期间看到的特征数。

0.24 版本新增。

feature_names_in_shape 为 (n_features_in_,) 的 ndarray

在 fit 期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

1.0 版本新增。

n_iter_int

优化例程运行以拟合模型的迭代次数。

版本 1.1 中新增。

n_support_ndarray，形状为 (n_classes,)，dtype=int32

每个类别的支持向量数量。

offset_float

用于从原始分数定义决策函数的偏移量。我们有关系：decision_function = score_samples - offset_。偏移量是 intercept_ 的相反数，并且为了与其他异常值检测算法保持一致而提供。

0.20 版本新增。

shape_fit_tuple of int，形状为 (n_dimensions_of_X,)

训练向量 X 的数组维度。

support_ndarray，形状为 (n_SV,)

支持向量的索引。

support_vectors_ndarray，形状为 (n_SV, n_features)

支持向量。

另请参阅

sklearn.linear_model.SGDOneClassSVM

使用随机梯度下降求解线性 One-Class SVM。

sklearn.neighbors.LocalOutlierFactor

使用局部异常因子 (LOF) 的无监督异常检测。

sklearn.ensemble.IsolationForest

Isolation Forest 算法。

示例

>>> 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)
array([1.7798, 2.0547, 2.0556, 2.0561, 1.7332])

有关更详细的示例，请参阅 物种分布建模

decision_function(X)[源代码]#

与分隔超平面的符号距离。

对于内点，符号距离为正；对于异常值，符号距离为负。

参数:
Xshape 为 (n_samples, n_features) 的 array-like

The data matrix.

返回:
dec形状为 (n_samples,) 的 ndarray

返回样本的决策函数。

fit(X, y=None, sample_weight=None)[源代码]#

检测样本集 X 的软边界。

参数:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

样本集，其中 n_samples 是样本数量，n_features 是特征数量。

y被忽略

未使用，按照惯例为保持 API 一致性而存在。

sample_weightshape 为 (n_samples,) 的 array-like, default=None

每个样本的权重。为每个样本重新缩放 C。更高的权重会迫使分类器更加重视这些点。

返回:
selfobject

拟合的估计器。

注意事项

如果 X 不是 C 顺序连续数组，则会被复制。

fit_predict(X, y=None, **kwargs)[源代码]#

Perform fit on X and returns labels for X.

Returns -1 for outliers and 1 for inliers.

参数:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

输入样本。

y被忽略

未使用，按照惯例为保持 API 一致性而存在。

**kwargsdict

要传递给 fit 的参数。

1.4 版本新增。

返回:
yndarray of shape (n_samples,)

1 for inliers, -1 for outliers.

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请查阅 用户指南，了解路由机制如何工作。

返回:
routingMetadataRequest

封装路由信息的 MetadataRequest。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:
deepbool, default=True

如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。

返回:
paramsdict

参数名称映射到其值。

predict(X)[源代码]#

对 X 中的样本进行分类。

对于单类别模型，返回 +1 或 -1。

参数:
X{array-like, sparse matrix}，形状为 (n_samples, n_features) 或 (n_samples_test, n_samples_train)

对于 kernel=”precomputed”，X 的预期形状为 (n_samples_test, n_samples_train)。

返回:
y_pred形状为 (n_samples,) 的 ndarray

X 中样本的类别标签。

score_samples(X)[源代码]#

样本的原始评分函数。

参数:
Xshape 为 (n_samples, n_features) 的 array-like

The data matrix.

返回:
score_samples形状为 (n_samples,) 的 ndarray

返回样本的（未偏移）评分函数。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → OneClassSVM[源代码]#

配置是否应请求元数据以传递给 fit 方法。

请注意，此方法仅在以下情况下相关：此估计器用作 元估计器 中的子估计器，并且通过 enable_metadata_routing=True 启用了元数据路由（请参阅 sklearn.set_config）。请查看 用户指南 以了解路由机制的工作原理。

每个参数的选项如下：

  • True：请求元数据，如果提供则传递给 fit。如果未提供元数据，则忽略该请求。

  • False：不请求元数据，元估计器不会将其传递给 fit。

  • None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str：应将元数据以给定别名而不是原始名称传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

在版本 1.3 中新增。

参数:
sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

fit 方法中 sample_weight 参数的元数据路由。

返回:
selfobject

更新后的对象。

set_params(**params)[源代码]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，以便可以更新嵌套对象的每个组件。

参数:
**paramsdict

估计器参数。

返回:
selfestimator instance

估计器实例。