系本人原創，轉載請著名出處：http://blog.sina.com.cn/s/blog_76bf40cd0102v4a7.html
由於工作需要，前段時間使用一下One Class SVM。SVM算法一般是用來進行分類的，從One Class SVM的名字看出，One Class SVM並不是用來進行分類的，而是用來檢測新的數據是否屬於原始數據一類。由於本人不是一心一意搞機器學習的，所以對於One Class
SVM的原理和具體數學推導不了結，所以在這裏只能介紹One Class SVM使用的問題。我自己所使用的庫是來自臺灣大學林智仁（Lin
Chih-Jen）所設計和實現的庫LibSVM（地址：http://www.csie.ntu.edu.tw/~cjlin/libsvm/），裏面包含很多種語言的版本，我使用的是python版本。
在python的README文檔中，主要用到了幾個函數：svm_read_problem、svm_train、svm_predict、svm_load_model、svm_save_model，這幾個函數主要是用來從文件中讀數據訓練和存儲模型。1、svm_read_problem是使用如下所示：y,
x = svm_read_problem('data.txt')
data.txt是原始數據訓練集（參見注），返回的y和x是一個列表，裏面存儲一些數據用來進行下一步。當然這裏也可以不使用這種從文件讀的方式，具體使用見README文檔。2、svm_train函數的使用如下所示：m = svm_train(y, x, '-s 2 -n
0.01') y和x分別是上一部得到的結果，-s 2
-n 0.01 其中的s標識SVM的類型，2就是表示One Class SVM，-n在2類SVM中標識兩個類的比例（？），但是在One
Class SVM表示異常數據所佔的比例，我們在這裏設置其爲0.01，m就是就是得到的訓練模型。3、svm_predict函數的使用所如下所示：p_label, p_acc, p_val =
svm_predict(y, x, m)
這裏的y和x是從測試數據集中使用的svm_read_problem函數得到的y和x，m就是剛剛訓練得到的模型。返回值爲三個數p_label、p_acc、p_val，p_label是一個元組標識對應測試集中每一行數據的結果，1表示屬於該集，-1標識不屬於該集；p_acc表示訓練精度，對於One
Class
SVM精度計算好像存在問題（當使用1作爲標籤，得到的精度是正確的，當使用-1作爲標籤就相反了。不知道這算不算一個bug。。）；p_val我們就不管它了。4、svm_save_model函數就將svm_train得到的模型m存到外部的一個文件裏面，其使用如下：svm_save_model('heart_scale.model',
m)，'heart_scale.model'就是文件名。 5、svm_load_model函數的作用與svm_save_model相反，就是從外部文件中讀取模型，其使用如下所示：m
= svm_load_model('heart_scale.model')。
關於One Class SVM國內還沒有講的比較好的博客，望大牛們多多爲廣大愛好者多作貢獻。
注：對於兩類SVM問題，其標籤一般有兩種，一般使用+1和-1，見：http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/binary/a2a
對於One Class
SVM標籤一般只有一個，建議使用+1，格式中別的數據是怎麼得到的就要看怎麼進行歸一化。