我们正在使用scikit-learn OneClassSVM训练1级svm，这是libsvm的包装。当我们使用verbose=True时，它会在下面的输出中报告有界支持向量的数量nBSV = 106。
>>> clf = svm.OneClassSVM(nu=0.75, kernel="linear", verbose=True, shrinking=True, tol=0.00001)
>>> clf.fit(x)
[LibSVM].*
optimization finished, #iter = 392
obj = 182.273953, rho = 1.831054
nSV = 260, nBSV = 106
现在，如果我们对训练集进行评估，我们得到186个负数，这超过了上面的106个有界支持向量。
>>> y=clf.predict(x)
>>> np.bincount(y.astype(np.int64)+1)
array([186, 0, 98])
根据我对SVM的理解，这应该是不可能的。只要存在非零余量，训练误差应该是有界支持向量的子集，因为有界支持向量是位于边缘错误一侧的训练实例，而训练集错误是实例在错误的一侧。学会了分隔符，它位于边缘内。
虽然实际数字不同，但这种观察对于此数据集的设置似乎很稳健。我甚至看到nBSV=0大多数训练样本被错误分类。
有人可以解释这是怎么发生的吗？