Python sklearn OneClassSVM用法及代碼示例

本文簡要介紹python語言中 sklearn.svm.OneClassSVM 的用法。

用法:

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)

無監督異常值檢測。

估計高維分布的支持度。

該實現基於 libsvm。

在用戶指南中閱讀更多信息。

參數：

kernel：{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’} 或可調用，默認='rbf'

指定要在算法中使用的內核類型。如果沒有給出，將使用‘rbf’。如果給定了可調用對象，則它用於預先計算內核矩陣。

degree：整數，默認=3

多項式核函數的度數 (‘poly’)。被所有其他內核忽略。

gamma：{‘scale’, ‘auto’} 或浮點數，默認='scale'

‘rbf’, ‘poly’ 和 ‘sigmoid’ 的核係數。

• 如果gamma='scale'(默認)被傳遞，那麽它使用 1 /(n_features * X.var()) 作為伽瑪值，
• 如果‘auto’，使用 1 /n_features。

coef0：浮點數，默認=0.0

核函數中的獨立項。僅在‘poly’和‘sigmoid’中有意義。

tol：浮點數，默認=1e-3

停止標準的容差。

nu：浮點數，默認=0.5

訓練誤差分數的上限和支持向量分數的下限。應該在 (0, 1] 區間內。默認取 0.5。

shrinking：布爾，默認=真

是否使用收縮啟發式。請參閱用戶指南。

cache_size：浮點數，默認=200

指定內核緩存的大小(以 MB 為單位)。

verbose：布爾，默認=假

啟用詳細輸出。請注意，此設置利用了 libsvm 中的 per-process 運行時設置，如果啟用，該設置可能無法在多線程上下文中正常工作。

max_iter：整數，默認=-1

求解器內迭代的硬限製，或 -1 表示無限製。

屬性：

class_weight_：ndarray 形狀 (n_classes,)

每個類的參數 C 的乘數。根據class_weight 參數計算。

coef_ndarray 形狀 (1, n_features)

kernel="linear" 時分配給特征的權重。

dual_coef_：ndarray 形狀 (1, n_SV)

決策函數中支持向量的係數。

fit_status_：int

如果正確安裝，則為 0，否則為 1(將發出警告)

intercept_：ndarray 形狀 (1,)

決策函數中的常數。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

n_support_ndarray 形狀 (n_classes,), dtype=int32

每個類的支持向量數。

offset_：浮點數

用於從原始分數定義決策函數的偏移量。我們有這樣的關係：decision_function = score_samples - offset_。偏移量與intercept_ 相反，是為了與其他異常值檢測算法保持一致而提供的。

shape_fit_：int 形狀的元組 (n_dimensions_of_X,)

訓練向量 X 的數組維度。

support_：ndarray 形狀 (n_SV,)

支持向量的索引。

support_vectors_：ndarray 形狀(n_SV，n_features)

支持向量。

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