我们正在使用 scikit-learn 训练一个 1-class svm OneClassSVM，它是 libsvm 的一个包装器。当我们运行时，它会在下面的输出中verbose=True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，我们会得到 186 个负数，这比上面的 106 个有界支持向量要多。
>>> 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。只要有一个非零边距，训练误差就应该是有界支持向量的子集，因为有界支持向量是在边距错误一侧的训练实例，而训练集错误是在边缘错误一侧的实例学习分隔符，位于边距内。
虽然实际数字有所不同，但这一观察结果似乎对该数据集的设置很可靠。我什至看到nBSV=0大多数训练样本都被错误分类。
有人可以解释这是怎么发生的吗？