也许这是一个简单的问题，但我想确保我理解一类SVM的LibSVM实现的概念基础，以及我正在做什么是允许的。
在这种情况下，我使用一个类SVM来检测和删除异常值。这在更大的时间序列预测模型的上下文中用作数据预处理步骤。也就是说，我有一个Y向量（我们试图预测的数量是连续的，而不是类标签）和X矩阵（用于预测的连续特征）。由于我想在预处理步骤的早期检测数据中的异常值，我还没有对X矩阵进行标准化或滞后以用于预测，或者对于那个问题，去除/去除噪声/或以其他方式处理Y向量（已经缩放）在[-1,1]内。我的主要问题是对一类SVM进行建模是否正确（使用libSVM）：
svmod = svmtrain(ones(size(Y,1),1),Y,'-s 2 -t 2 -g 0.00001 -n 0.01');
[od,~,~] = svmpredict(ones(size(Y,1),1),Y,svmod);
得到的模型确实产生了与我期望的一致的性能（99％左右的预测精度，意味着1％的观察结果是异常值）。但是为什么我问的是因为在关于一个类SVM的其他问题中，人们似乎正在使用他们使用Y的X矩阵。感谢您的帮助。
答案 0 :(得分：2)
你在这里做的只不过是一个奇特的范围检查。 如果您不愿意使用X来查找Y 中的异常值（即使您确实应该这样做），那么只需检查一下分布情况会更简单，更好Y找到异常值而不是这个即兴的SVM解决方案（例如从Y中移除上下0.5个百分点）。
实际上，这可能与您 想要做的事情甚至没有关系。使用此设置，您将Y值拒绝为异常值而不考虑任何上下文（例如X）。你为什么使用RBF？你是如何为gamma提出特定值的？内核对于一维数据来说是完全过度的。
其次，您正在训练和测试相同的数据（Y）。每当这种情况发生时，小猫就会死亡一类SVM尝试构建一个识别训练数据的模型，它不应该用于构建它的相同数据。请想一想小猫。
此外，请注意，单类SVM的nu参数控制分类器将接受的异常值的数量。这在LIBSVM implementation document（第4页）中进行了解释：事实证明nu是训练误差的上限和
支持向量分数的下限。换句话说：您的培训选项明确规定最多可以拒绝1％的数据。对于单类SVM，请将 替换为 。
因此，当你说所得到的模型确实会产生与我期望的一致的性能 ......当然，它的确如此。由于您设置了nu=0.01，因此1％的数据被模型拒绝，因此被标记为异常值。