大家都很清楚SPC的中文叫统计过程控制，它的作用是发现过程数据中的异常行为，SPC有8种以上的判异规则，每一中判异规则对应可能的异常原因，非常实用。
现在大数据、机器学习应用越来越广泛，而机器学习算法的一个常见应用就算异常检测，本文介绍的是一种叫做二分类支持向量机算法进行异常检测。
支持向量机简单描述一下，不做过多解释。
“ 支持向量机（support vector machines, SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的的学习算法就是求解凸二次规划的最优化算法。”
二分类支持向量机Python实现算法如下：
简单一点，我们用一维数据来演示（检测数据很多是一维的）。
1）导入机器学习模块（这里我们使用了scikit-learn的svm中的OneClassSVM模块）
from sklearn.svm import OneClassSVM
import pandas as pd
2）算法实现
y=[470,509,500,511,435,489,483,483,482,483,504,472,464,481,501,581,507,558,569,467,382,464,482,474,482,478,477,536,485,502,489,507,432,507,470,482,485,482,505,470,487,476]
y = pd.DataFrame(y)
svm = OneClassSVM()
svm.fit(y)
y['fcst'] = svm.predict(y)
输入一个y，定义分成两类（自动一类正常，一类不正常）， 字段fcst记录了预测的分类结果，有两个分类0和1，但我们不知道哪一类才算正常，我们一个合理的假定，分类中多的是正常的，少的是异常的。
3）异常判定的处理
label0 = y[y.fcst==1]['fcst'].count()
label1 = y[y.fcst==-1]['fcst'].count()
if label0>label1:#正常的多
y.loc[y['fcst'] == 1, 'isAbnormal'] = 0
y.loc[y['fcst'] == -1, 'isAbnormal'] = 1
else:
y.loc[y['fcst'] == 1, 'isAbnormal'] = 1
y.loc[y['fcst'] == -1, 'isAbnormal'] = 0
y.columns = ['data','fcst','isAbnormal']
y['isAbnormal']=y['isAbnormal'].astype(int)
y = y[['data','isAbnormal']]
记录分类为1的数量和分类为0的数量，最终用字段isAbnormal记录是否异常，0为正常，1为异常。
结果如下：
SPC支持向量机SVM算法异常判断
至此，我们已经完成了一种机器学习的异常检测。
SPC系统实现：
接下来看看我们在SPC系统上的实现。
我们把支持向量机得到的异常点，直接显示在SPC控制图上，请看下图。也可以选择不显示(看起来异常判定结果不太理想)。
SPC支持向量机SVM算法异常判断
这样我们就可以在SPC控制图上显示其他异常判定算法的异常判定结果了。现在知道机器学习怎么和SPC结合在一起如何使用了吧。
如果你想了解上面的功能的测试，
下方链接可以在线体验和上图完成一样的功能。
