🔑 名詞卡
One-Class SVM
🎯 定義
SVM 的單類別分類變形，只學習一個類別（通常是正常資料）的模式，構建能將大多數正常樣本包圍起來的決策邊界，邊界外的點被判定為異常。
重點／應用
- 利用核函數（如 RBF）將訓練資料映射到高維空間，找出能將正常資料與原點最大程度分離的超平面。
- 優點：能透過核函數處理非線性邊界，只需正常資料即可訓練（適合異常樣本極難收集的場景）。
- 缺點：對參數（核函數參數、異常率參數）選擇敏感，計算成本較高。
記憶技巧
「只教它『正常長什麼樣』，超出這個範圍就當作異常」。
易混淆
- vs Isolation Forest：One-Class SVM 需要核函數與邊界學習，計算成本較高；Isolation Forest 不需距離度量，效率更高，更適合高維大規模資料。
📖 課文原文「與傳統 SVM 不同，One-Class SVM 只學習一個類別（通常是正常數據）的模式，並構建一個能將大多數正常樣本包圍起來的決策邊界。任何落在這個邊界之外的資料點都被判定為異常。」