1.简介：
（1）无监督异常值检测
（2）解决非平衡样本分类
2.函数定义
class sklearn.svm.OneClassSVM(kernel=’rbf’, degree=3, gamma=’auto’, coef0=0.0, tol=0.001, nu=0.5, shrinking=True, cache_size=200, verbose=False, max_iter=-1, random_state=None)
3.参数含义：
kernel：
4.OneClass与2分类，多分类的区别
典型的2类问题：识别邮件是否是垃圾邮件，一类“是”，另一类“不是”
典型的多类问题：人脸识别，每个人对应的脸就是一个类，然后把待识别的脸分到对应的类中去
而OneClassClassification，它只有一个类，属于该类就返回结果“是”，不属于就返回结果“不是”，乍一听感觉与2分类没什么区别，其实他们的思想有很大差异。在2分类问题中，训练集中就由两个类的样本组成，训练出的模型是一个2分类模型；而OneClassClassification中的训练样本只有一类，因此训练出的分类器将不属于该类的所有其他样本判别为“不是”即可，而不是由于属于另一类才返回的“不是”结果。
现实场景中的OneClassClassification例子：现在有一堆某商品的历史销售数据，记录着买该产品的用户信息，此外还有一些没有购买过该产品的用户信息，想通过2分类来预测他们是否会买该产品，也就是弄两个类，一类是“买”，一类是“不买”。当我们要开始训练2分类器的时候问题来了，一般来说没买的用户数会远远大于已经买了的用户数，当将数量不均衡的正负样本投入训练时，训练出的分类器会有较大的bias（偏向值）。因此，这时可以使用OneCLassClassification方法来解决，即训练集中只有已经买过该产品的用户数据，在识别一个新用户是否会买该产品时，识别结果就是“会”或者“不会”。
5.OneClassCLassification的具体实现
多类Classification方法有很多，比如SVM寻找一个最优超平面把正负样本分开，总之都涉及到不止一个类的样本，相当于告诉算法“这种东西长什么样，那种东西长什么样”。于是训练出一个模型能够区分这些东西。
问题在于，OneCLassClassification只有一个类，该怎么办？
介绍一个方法：SVDD（support vector domain description），中文翻译为“支持向量域描述”
其基本思想是：既然只有一个class，那么我就训练出一个最小的超球面（超球面是指3维以上的空间中的球面，对应的2维空间中就是曲线，3维空间中就是球面），将这堆数据全部“包起来”，识别一个新的数据点时，如果这个数据点落在超球面内，就属于这个类，否则不是。
下面是在2维空间（实际情况中，如果提取的特征多，维数就高）中的例子，
更多原理公式推导，详见 http://blog.sina.com.cn/s/blog_4ff49c7e0102vlbv.html
