oneclasssvm异常检测代码例子

以下是一个简单的 One-Class SVM 异常检测的 Python 代码示例：

from sklearn import svm
import numpy as np

# 创建一些随机数据作为训练样本
X_train = np.random.randn(100, 2)

# 创建一个 One-Class SVM 模型并进行训练
clf = svm.OneClassSVM(nu=0.05, kernel="rbf", gamma=0.1)
clf.fit(X_train)

# 创建一些新数据作为测试样本
X_test = np.random.randn(10, 2)

# 使用训练好的模型进行预测
y_pred = clf.predict(X_test)

# 输出预测结果
print(y_pred)

在上面的代码中，我们首先使用 `numpy` 库创建了一些随机的二维数据作为训练样本，然后创建了一个 One-Class SVM 模型并用训练数据进行训练。我们设置了 `nu` 参数为 0.05，表示模型应该将其中的 5% 的数据点识别为异常点。我们还使用了 RBF 核函数，并设置了 gamma 参数为 0.1。

接下来，我们创建了一些新数据作为测试样本，并使用训练好的模型进行预测。最后，我们输出了预测结果。预测结果是一个由 -1 和 1 组成的数组，其中 -1 表示对应的数据点被识别为异常点，1 表示对应的数据点不是异常点。

相关问题

one class SVM MATLAB代码的实例

One-Class Support Vector Machine (OCSVM)是一种用于异常检测的机器学习模型，在MATLAB中可以使用`fitcsvm`函数实现单类SVM。以下是一个简单的OCSVM分类器创建的例子：

% 导入样本数据（假设数据在矩阵X中）
data = load('your_data.mat'); % 替换为你的数据文件路径
X = data.data;

% 创建OCSVM分类器，这里我们设置默认的核函数为径向基函数(RBF)
C = Inf; % 如果不知道C值，可以设置为无穷大表示最大化间隔
kernel_func = 'rbf'; % 使用径向基函数
svmModel = fitcsvm(X, [], 'KernelFunction', kernel_func, 'BoxConstraint', C);

% 训练完成，现在你可以使用predict函数对新数据进行预测
newData = ...; % 新的数据点
scores = predict(svmModel, newData); % 得到每个点的得分，负分代表可能是异常点

% 显示支持向量
supportVectors = svmModel.SupportVectors;

注意：
1. 这里的`your_data.mat`需要替换为实际存放数据的MATLAB文件名。
2. `fitcsvm`函数的第三个参数`[]`表示无标签数据，因为OCSVM是基于唯一类别的一类数据训练的。
3. `predict`函数返回的是判别函数的值，通常越小的值对应异常点的可能性越大。

matlab中使用LibSVM实现one class svm分类

1. 准备数据

首先，需要准备数据。在这个例子中，我们将使用UCI的数据集进行演示。我们将使用Musk数据集作为例子。Musk数据集是一个二元分类问题，但我们将使用one-class SVM将其转换为异常检测问题。这个数据集包含了166个特征，所以在这里我们只选取了其中前两个特征来进行可视化。

首先，下载数据集，并将其保存到matlab工作目录下。然后，使用以下代码将其读入matlab：

% Load data
data = csvread('musk.csv', 1, 0);
% Extract features and labels
X = data(:,1:2);
y = data(:,end);
% Plot data
figure;
gscatter(X(:,1), X(:,2), y, 'rb', '.', 8);
xlabel('Feature 1');
ylabel('Feature 2');
title('Musk Dataset');

此处，我们使用了gscatter函数来绘制数据。其中，第一个参数是特征1，第二个参数是特征2，第三个参数是标签，第四个参数是颜色，第五个参数是标记，第六个参数是标记大小。

这段代码将绘制如下的图形：


2. 数据预处理

接下来，我们需要对数据进行预处理。在这个例子中，我们将使用StandardScaler将数据进行标准化。标准化可以提高算法的性能，因为它将所有特征缩放到相同的尺度上。下面是代码：

% Standardize data
scaler = StandardScaler();
scaler = scaler.fit(X);
X = scaler.transform(X);

3. 训练模型

现在，我们将使用LibSVM训练一个one-class SVM模型来检测异常数据。在这个例子中，我们将使用RBF核函数。下面是代码：

% Train one-class SVM
nu = 0.05; % nu is the parameter that controls the number of support vectors
gamma = 1; % gamma is the parameter that controls the shape of the decision boundary
model = svmtrain(y, X, ['-s 2 -t 2 -n ' num2str(nu) ' -g ' num2str(gamma)]);

在这里，我们使用svmtrain函数训练一个one-class SVM模型。其中，第一个参数是标签，第二个参数是特征，第三个参数是LibSVM的参数，这里使用的参数包括：

- -s 2：表示要训练一个one-class SVM模型
- -t 2：表示要使用RBF核函数
- -n nu：表示nu参数
- -g gamma：表示gamma参数

4. 预测

现在，我们将使用训练好的模型来进行预测。下面是代码：

% Make predictions
[y_pred, acc, dec] = svmpredict(y, X, model);

在这里，我们使用svmpredict函数进行预测。其中，第一个参数是标签，第二个参数是特征，第三个参数是训练好的模型。该函数将返回预测的标签、分类准确率和决策值。

5. 可视化结果

最后，我们将绘制决策边界和异常点。下面是代码：

% Plot decision boundary and support vectors
figure;
gscatter(X(:,1), X(:,2), y, 'rb', '.', 8);
hold on;
h = ezplot(@(x1,x2) svm_decision_boundary(x1,x2,model), xlim, ylim);
set(h, 'Color', 'k', 'LineWidth', 2);
scatter(X(model.sv_indices,1), X(model.sv_indices,2), 100, 'g', 'o', 'LineWidth', 2);
xlabel('Feature 1');
ylabel('Feature 2');
title('One-Class SVM');
legend('Normal', 'Abnormal', 'Decision boundary', 'Support vectors');

在这里，我们使用ezplot函数绘制决策边界。同时，使用scatter函数绘制支持向量。

最终，我们得到的图形如下所示：


其中，绿色圆圈表示支持向量，黑色线表示决策边界。可以看出，模型将异常点识别为了异常数据。