请提供相关且可以运行的代码：使用 OneClassSVM 的步骤如下： 将数据集分为训练和测试集。 使用 OneClassSVM 学习正常数据的代表性。 使用测试集评估算法的性能，即识别异常值的准确性。 根据测试结果，对算法进行调整和优化。

对于您的这个问题，我可以提供以下代码示例：

#导入需要的库
from sklearn.datasets import load_iris
from sklearn.svm import OneClassSVM
import numpy as np

#加载数据集
iris = load_iris()
X_train = iris.data[:-20] #使用前130个样本作为训练数据
X_test = iris.data[-20:] #使用后20个样本作为测试数据

#使用 OneClassSVM 模型进行训练
clf = OneClassSVM(kernel='rbf', gamma='auto').fit(X_train)

#使用测试数据评估算法性能
y_pred_test = clf.predict(X_test)

#输出预测结果以及异常值占比
print(y_pred_test)
print(np.mean(y_pred_test == -1))

注意，以上代码仅是演示使用 OneClassSVM 模型的一般步骤，具体使用时需要根据具体的应用场景进行相应的调整和优化。