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

One-class SVM是一种异常值检测算法，它只使用正常样本进行训练，用于识别异常值。对于ForestCover数据集，可以使用以下代码进行异常值检测:

from sklearn import svm
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 读取数据集
X = # 正常样本

# 划分训练集和测试集
X_train, X_test = train_test_split(X, test_size=0.2)

# 训练One-class SVM模型
clf = svm.OneClassSVM(kernel='rbf', gamma='auto')
clf.fit(X_train)

# 预测测试集样本
y_pred = clf.predict(X_test)

# 计算准确率
acc = accuracy_score(y_pred, [1]*len(y_pred))
print("Accuracy:", acc)

注意，One-class SVM算法会将预测为正样本的样本分为正常类别，将预测为负样本的样本分为异常类别，所以在统计准确率时，负样本需要被视为错误预测。