上一篇文章聊到了支持向量机（SVM），一种在深度学习大行其道的今天依然值得关注的传统机器学习方案。它的核心思路很简单：通过训练数据，找到一个能将不同类别样本区分开来的“决策边界”。
那么，这个“支持向量”到底是什么？可以这样理解：我们从输入数据中挑选出那些最具代表性的样本，它们就是支撑起整个分类边界的关键点。训练完成后，新来的数据都要跟这些代表点做对比，来判断它属于哪一类。当然，如果面对多分类任务，支持向量也会有对应的多组划分。
为了更直观地理解SVM的运行机制，先用一段Python代码来演示一个单分类任务。在开始之前，确保你已经安装了numpy、matplotlib以及scikit-learn库。
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm
from sklearn.datasets import load_iris
# 加载鸢尾花数据集
iris = load_iris()
X = iris.data[:, :2] # 只取前两个特征，方便可视化
# 只选取类别为0的数据用于单分类训练
X_train = X[iris.target == 0]
# 创建并训练单分类SVM模型
model = svm.OneClassSVM(kernel='rbf', nu=0.05, gamma=1)
model.fit(X_train)
# 生成用于绘制决策边界的网格数据
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(...)
Z = model.predict(np.c_[xx.ra vel(), yy.ra vel()])
Z = Z.reshape(xx.shape)
# 绘制训练数据与决策边界
plt.scatter(X_train[:, 0], X_train[:, 1], color='blue', label='Inliers')
plt.contourf(xx, yy, Z, levels=[-1, 0], colors='lightgray', alpha=0.5)
plt.contour(xx, yy, Z, levels=[0], linewidths=2, colors='darkred')
# 标记支持向量
support_vectors = X_train[model.support_]
plt.scatter(support_vectors[:, 0], support_vectors[:, 1], color='red', label='Support Vectors')
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.title('One-Class SVM - Iris Dataset')
plt.legend()
plt.show()
这段代码利用 svm.OneClassSVM 构建了一个单分类模型，并用著名的鸢尾花数据集进行训练。训练结果通过 model.predict 得到，最终用matplotlib绘制出来，其中红色点就是模型找到的支持向量。
图中那片暗红色的区域就是模型学习到的决策区域——简单说，落在红色区域内的点，就被认为是属于我们这一类。这里我用了两个特征：花萼的长度和宽度。如果你想，当然也可以加入更多特征，只是图形上就不太好展示了。
大家应该注意到了，svm.OneClassSVM 里有两个关键参数：nu 和 gamma。它们基本决定了模型的性能。
nu 控制着训练误差与支持向量数量之间的平衡。它既是训练误差的上限，也是支持向量个数的下限。较小的 nu 允许更多支持向量存在，决策边界也更灵活；而较大的 nu 则限制支持向量数量，让边界更保守。
gamma 则定义每个训练样本的影响力大小。它决定了样本的影响范围以及决策边界的平滑程度。小的 gamma 让边界更平滑，每个样本的影响范围也更广；大的 gamma 则会让边界变得复杂，每个样本的影响范围相应缩小。
来，试试调整一下 gamma 值，从1增加到100：
结果正如上面所说：gamma变大，决策区域变得异常复杂，几乎每个训练样本都成了支持向量。
再看看调整 nu 的效果，从0.05改成0.5：
决策边界果然变得更加保守了。不过在实际应用中，nu 和 gamma 需要联合调整才能获得最佳拟合效果——这确实是件“炼丹”的活儿。哪怕回归传统，调参这门手艺依旧少不了。
好，这次就聊到这儿。下一篇，会带来一个真正落地的项目案例——如何把单分类SVM用于实际的异常检测场景。