我们在一些单独的博客文章中介绍了几种异常检测方法，包括使用统计测试和聚类进行异常检测。通常情况下，这些方法只能检测输入数据集中的异常值，检测结果不能推广到新的数据点，因为它们不提供任何模型。可以采用分类方法来克服这一困难。然而，分类方法的泛化能力并不是免费的，因为它们需要对输入数据进行标记，对于异常点检测的情况，这意味着输入数据中的任何一点都必须标记为内点或异常点，离群值检测的分类要求数据集同时包含内联值和离群值。然而，在某些情况下，输入数据集中可能没有异常值，但仍然需要一个异常值检测模型。在这种情况下，可以采用一种分类法来实现。顾名思义，云服务器租用，一个类分类要求输入（即训练）数据由一个类标记，然而，训练后的模型也能像其他二值分类模型一样产生对立类的标签。

单类支持向量机（One class support vector machine，即单类SVM）可能是单类分类最常用的方法。此方法由SAP HANA预测分析库（PAL）提供，并由SAP HANA的Python机器学习客户端（HANA\ U ml）包装，微信淘客，在本博文中应采用此方法来解决离群点检测问题

基本上，阅读本博文后，您将学习：

如何在给定数据集的情况下构建一类支持向量机模型如何将训练好的模型应用到预测数据中，提取检测到的异常点信息，微信返利机器人，并对训练好的模型的性能进行评估

介绍

假设建立了一个新的系统，并且在早期阶段运行非常顺利。同时，我们希望建立一个监控系统，在新系统持续运行的过程中检测是否出现故障。那我们该怎么办？在那里等待直到系统出错听起来是个可怕的想法，所以我们应该能够使用手中的正常数据来初始化监控系统。与传统分类方法不同的是，中国云，一类分类试图用一个标签来探索训练数据集的内在结构，并建立一个包含或表征训练数据集的模型，因此，当一个新的点出现时，可以判断该点与训练数据集中的点是相似的还是不同的，可以通过密度估计、边界估计或重构模式估计等方法对输入数据进行一类分类。其中，一类支持向量机是一种基于边界估计的方法

基本上，国内免费云服务器，对于使用一类支持向量机的离群点检测，在训练阶段绘制一个轮廓来包围（几乎）输入数据中的所有点（所有点都是内线）；而在预测阶段，如果一个样本点落在所绘制的轮廓所包围的区域内，它将被视为一个内联点，否则它将被视为一个离群点。

在下面这篇博文的上下文中，我们展示了一个使用单类支持向量机的网络入侵检测的详细案例研究，攻击以异常值和正常连接作为内联线。

案例研究：一类支持向量机用于网络入侵检测