我遵循http://scikit-learn.org/stable/auto_examples/svm/plot_oneclass.html#example-svm-plot-oneclass-py中显示的示例，其中一类 SVM 用于异常检测。现在，这可能是 scikit-learn 独有的符号，但我找不到如何使用赋予 OneClassSVM 构造函数的参数 nu 的解释。
在http://scikit-learn.org/stable/modules/svm.html#nusvc中，声明参数 nu 是参数 C 的重新参数化（这是我熟悉的正则化参数） - 但没有't 说明如何执行重新参数化。
公式和直觉都将不胜感激。
谢谢！
参数 C 的问题是：
因此很难正确选择，必须求助于交叉验证或直接实验来找到合适的值。
作为回应 Schölkopf 等人。重新构造 SVM 以采用新的正则化参数 nu。这个参数是：
参数 nu 是边际误差分数的上限，也是支持向量相对于训练样本总数的分数的下限。例如，如果您将其设置为 0.05，则可以保证最多 5% 的训练示例被错误分类（尽管代价很小），并且至少 5% 的训练示例是支持向量。
C 和 nu 之间的关系由以下公式控制：
nu = A+B/C
A 和 B 是常数，不幸的是，它们并不那么容易计算。
外卖信息是 C 和 nu SVM 在分类能力方面是等价的。与 C 相比，nu 方面的正则化更容易解释，但 nu SVM 通常更难优化，并且运行时不会像具有输入样本数量的 C 变体那样扩展。
更多细节（包括 A 和 B 的公式）可以在这里找到：Chang CC, Lin CJ - “训练 nu-support vector classifiers: theory and algorithms”
支持向量中的 nu 是一个超参数。
在 c-SVM 中，如果我们想查询一个点 x q那么
∑α<sub>iy i .x i T .x q +b for i=1 to n
正如我们所知，对于大于零的支持向量和非支持向量 α i = 0。
所以只有支持向量对计算 f(x q )很重要，但是在常规 C-SVM 中，我们无法控制支持向量的数量，所以这里出现了 nu-SVM
怒：
错误数量的上限
支持向量数量的下限
nu 始终介于 0<= nu <= 1 之间。
假设nu =0.1 和 n=10,000
1.我们最多需要 10% 的错误=> 1000 个错误点
2.我们得到支持向量 >= 1% => 我们得到超过 1000 个支持向量。