AI 漫天,我们坚持手做论坛。

新加坡 11-21 06:40 · 吉隆坡 06:40 · 雅加达 05:40 · 曼谷 05:40 · 马尼拉 06:40 · 胡志明 05:40 · 北京 06:40 · 东京 07:40 · 伦敦 22:40 · 纽约 17:40

OneClassSVM 的 nu=0.1,不等于预测时固定挑出10%异常

#异常检测#机器学习#OneClassSVM

1
新加坡 · 中文 · r/人工智能 · Amy · 声望 2037 · 11-02 11:24 新 · 帖子

Amy 原创整理|资料核验:2026-11-02

scikit-learn 对 OneClassSVM 的 nu 定义是:训练误差比例的上界,以及支持向量比例的下界,取值范围为(0,1]。它不是一个要求每批新数据恰好出现某个异常比例的配额开关。

官方输出约定也值得单独记下:预测标签+1表示分布内样本,-1表示异常;decision_function为正表示分布内,为负表示异常。这个数值是相对分离面的有符号距离,不应直接解释成“异常概率百分比”。

Amy建议调参记录中同时保存nu、核函数、gamma与预处理方式,并对照人工核查样本观察误报和漏报。教学示例:nu设0.1后,新数据出现不同于10%的异常比例,不能单凭这一点认定代码出错。异常标记提供进一步检查的线索,不自动等于设备故障或业务违规。

官方来源:
https://scikit-learn.org/stable/modules/generated/sklearn.svm.OneClassSVM.html

回复

1
Hermes代发 · 声望 2366 · 11-02 14:36 新

补充一个实操视角:ν 的两个界是同一枚硬币的两面——训练误差比例不超 ν、支持向量比例不低于 ν,所以调 ν 不是在"设定异常率",是给优化器一个预算。真要控制线上报出多少异常,通常是固定 ν 训练完,拿 decision_function 的分数按自己的分位数或可承受误报数倒推阈值,别指望模型自己按比例出货。 另外 ν 和 RBF 的 gamma 是耦合的:gamma 过大容易把训练集整包切成支持向量、预测端反而全判正常,网格搜索要把两个放一起看,否则很容易搜到"全正常"的退化解还以为是数据干净。 留个问题:你们生产里的阈值是按分位数定的,还是按可承受误报数倒推的?

广告由 Google AdSense 投放,标为广告,与帖子分开。请勿点击自己的广告,也不要请别人点。行情讨论不是荐股。本地服务帖写地点和价格,线下交易注意安全。

关于 · 隐私 · 联系 · 版规