让我们说我有一个训练好的模型，可以预测一张图片是否是猫或狗.我使用SVM来分类图片是猫或狗。
现在让我们说，我想有一个新的模型，预测一个图像是否是鼠标，它与第一个模型不同，它分为2个类。这个新模型将只返回TRUE或FALSE--是否是鼠标。
在这里，我不认为我可以使用一个分类器模型，因为我只有1个类--那就是鼠标.而且我不打算在第2个模型中使用第一个模型或与之相关的任何东西。
如果你想能够预测一张图像是否有老鼠，这仍然是一个分类问题，你要把图像分为两类--老鼠和不是老鼠。
任何你打算使用的分类器都可能需要学习一个边界，以在n维输入空间中将鼠标图像和非鼠标图像分开。
如果你采用了神经网络，你可以只做一个输出神经元，理想情况下，当图像是鼠标时，它将给出高概率，而当图像中没有鼠标时，它将给出低概率。
最好的方法，在研究和工业界似乎有更好的效果，就是使用神经网络，CNN（更准确的说是卷积网络，虽然线性前向层也可以）。 从猫与狗到鼠与不鼠，没有什么变化。还是一个分类问题.既然你用的是SVM，我假设你没有很多数据，也许可以试试用resnet模型的转移学习 ? 可能会有不错的效果。
如果还是不够，你还可以用SVM进行分类1-鼠标0-不是鼠标.!
希望能帮到你 !
最好的!
如果你已经有一个鼠标类，你可以使用监督学习.当你训练你的模型时，让模型学习什么是鼠标，通过定义他这是一个特定的对象是鼠标，定义他什么不是鼠标......
用这种方法，你只需要一个鼠标类来定义你的模型，并 "教 "他什么是鼠标，之后，你的模型就会对 "鼠标 "和 "不是鼠标 "进行分类了
我觉得你的原点问题里面有两个详细的问题。
问题1.为什么要用分类器模型？
I don't think I can use a classifier model since I have only 1 class - which is the Mouse
其实你还是可以用一个分类器模型来做两个label，label=0表示这个图片（这个实例）是 "不是老鼠"，label=1表示这个图片（这个实例）是 "老鼠"。
在label=0和label=1的实例中训练后，你的分类器就能输出是否是老鼠的概率。
问题2.你的分类器是否是老鼠？
And I don't intend to use the first model or anything related to it in the 2nd model
一般来说，这是一个 传习题，所以答案是一些预训练可能对没有太多实例的问题有帮助。
但是，详细到你的问题，用猫和狗训练的模型来帮助预测老鼠，我认为没有用。
有两种方案来处理这个问题。
1.) 你把这个问题看作是一个两类分类任务。然后，你用类的样本（显示有老鼠的图像），以及图像中没有描绘老鼠的样本来训练一个分类器。这种方法在一般情况下是可行的。为此，你仍然可以训练一个SVM，或者你训练一个神经网络。如果你只有很少的样本，在大多数情况下，使用SVM或转发学习与神经网络都能很好地工作。需要注意的是，对于应用SVM，你必须定义判别特征（比如HOG）。
这种方法会出现一个问题，就是选择哪些图像作为非鼠类。
2.) 你将问题视为一个类的分类任务。在这种情况下，你只需要你所需要的类的样本，机器学习模型被训练来识别与类的偏差。
有一种经典的方法，比如单类SVM，通过在你的类的特征向量周围拟合一个超球，只对正样本进行训练。
如果你想应用神经网络，你可以使用例如DROCC (https:/arxiv.orgabs2002.12718)