我是scikit-learn和SVM方法的新手。我的数据集与scikit-learn OneClassSVM一起运行良好，以便检测异常值;我使用观察训练OneClassSVM，所有观察都是'内部'，然后使用predict（）在我的测试数据集上生成二进制内部/异常值预测。
然而，为了继续我的分析，我想获得与我的测试集中的每个新观察相关的概率。例如。与每个新观察相关的异常值的概率。我注意到scikit-learn中的其他分类方法提供了传递参数probability = True来计算它的能力，但OneClassSVM不提供此功能。有没有简单的方法来获得这些结果？
答案 0 :(得分：1)
在我到达这个页面之前，我一直在寻找你的同一个问题的答案。坚持了一段时间，然后，我回去查看原始的LIBSVM包，因为scikit-learn的OneClassSVM基于所述here的LIBSVM实现。
在main page of LIBSVM，他们对选项'-b'说明以下内容，用于激活某些SVM变体的返回概率输出分数： -b probability_estimates：是否训练SVC或SVR模型进行概率估计，0或1（默认为0） 换句话说，SVM类型的单类SVM（既不是SVC也不是SVR）没有实现概率估计。
如果我尝试使用LIBSVM的命令行界面强制执行此选项（即-b），例如： ./svm-train -s 2 -t 2 -b 1 heart_scale
我收到以下错误消息： 错误：尚未支持单类SVM概率输出
总之，LIBSVM尚不支持非常理想的输出，因此scikit-learn目前还没有提供它。我希望在不久的将来，他们可以激活此功能并在此更新帖子。
答案 1 :(得分：0)
它提供决策函数分数，理论上是与正常和异常之间的边缘决策边界的距离 OCSVM 进行无监督分类。这意味着算法内部的异常是根据到原点的距离定义的（引自 NIPS https://papers.nips.cc/paper/1999/file/8725fb777f25776ffa9076e44fcfd776-Paper.pdf 的 Scholkopf 论文）。
TLDR：使用
clf.decision_function(samples) * (-1)
作为分数。你会得到一个稀疏的分数分布。