One-class SVM算法对ForestCover数据集进行异常值检测，给个代码。

One-class SVM算法是用来进行异常值检测的一种有效方法。使用该算法时，需要先将数据集中的正常数据作为训练集，然后将其他数据作为测试集进行预测。

下面是使用Python进行One-class SVM异常值检测的示例代码，使用了Scikit-learn库：

from sklearn import datasets
from sklearn.svm import OneClassSVM

# 导入ForestCover数据集
data = datasets.fetch_covtype()
X = data.data
y = data.target

# 划分训练集和测试集
X_train = X[:50000]
X_test = X[50000:]

# 训练One-class SVM模型
clf = OneClassSVM(nu=0.1, kernel="rbf", gamma=0.1)
clf.fit(X_train)

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

# 统计异常值个数
n_error = y_pred[y_pred == -1].size

print("异常值个数:", n_error)

请注意，上面的示例代码只是提供了一种参考方法，实际使用时需要根据具体情况调整参数。