OneClassSVM并非专为异常检测设计，而是学习正常数据的支撑边界；其性能极度依赖纯净训练集，混入异常即导致边界偏移、检测失效。
OneClassSVM 为什么常被误用为“异常检测器”
它其实不是专门设计来识别异常的，而是学习训练数据的“支撑边界”，把远离这个边界的样本判为异常。所以它对训练集是否纯净极度敏感——只要混入少量真实异常，边界就会被拉歪，后续检测全失效。
- 训练数据必须是纯正常样本（比如服务器 CPU 使用率在无故障时连续采集 7 天）
- 不适用于“正常+少量异常混杂”的原始日志流，得先清洗或加预过滤
-
nu参数不是“异常比例阈值”，而是控制边界松弛度的上界估计；设nu=0.1不代表会标出 10% 的点，实际异常召回率可能远低于此
scikit-learn 中 OneClassSVM 的关键参数怎么调
核心就三个参数：kernel、gamma、nu。其中 gamma 对结果影响最隐蔽也最大——尤其用 rbf 核时，太小会让模型欠拟合（所有点都被判正常），太大则过拟合（几乎每个点都成异常）。
- 优先试
kernel='rbf'，除非特征维数极高（>1000），才考虑'linear' -
gamma='scale'（默认）通常比'auto'更稳；若手动调，从1e-3开始，按 10 倍步进试探 -
nu别硬设为业务预估的异常率；先用nu=0.05跑一遍，再看decision_function()输出分布，挑负值最深的前 5% 当候选异常
predict() 返回 -1 就一定是异常？别信
predict() 只返回 1 或 -1，但这个二分法掩盖了置信度差异。同一组数据里，有些 -1 点离决策边界极近（可能只是噪声），有些则深陷负空间（大概率真异常）。直接二值切分容易漏判或误杀。
python-flask-vue-creator
下载
创建 Flask + Vue.js 全栈项目，采用单端口架构、uv 依赖管理、结构化日志和生产级前端设计。当用户要求以下操作时触发：创建新的 Flask+Vue 项目、搭建 Web 应用、构建全栈 Python+Vue 应用、初始化 Flask Web 项目、设置单端口 Flask 前后端项目。触发词：新建项目、创建项目、搭建项目、Flask项目、Vue项目。
- 永远优先看
decision_function(X)的原始输出值，负得越狠越可疑 - 对时序数据，建议结合滑动窗口：连续 3 个点
decision_function 才触发告警，避免单点抖动误报 - 如果特征含明显量纲差异（如温度℃ 和请求量 QPS），必须先做
StandardScaler，否则gamma实际只在数量级大的维度起效
OneClassSVM 在高维稀疏特征上基本失效
比如用 TF-IDF 表示日志模板，特征维度动辄上万，但每条样本非零项不到 10 个——这时 OneClassSVM 的 RBF 核距离计算失去意义，相似性坍缩，边界无法收敛。
- 先降维：
TruncatedSVD(n_components=100)比 PCA 更适合稀疏矩阵 - 或者换模型：
IsolationForest对稀疏高维更鲁棒，LocalOutlierFactor在局部密度变化明显时更准 - 如果坚持用 OneClassSVM，至少把
nu提高到0.2以上，并接受召回率低、但精度尚可的结果
事情说清了就结束。真正卡住人的，从来不是调参本身，而是没意识到 OneClassSVM 的训练数据假设有多苛刻——它不处理“有瑕疵的正常”，只忠于你给它的那一坨样本。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
