我正在研究一个分类问题，我只有一个类的数据，所以我想在这个 "目标 "类和所有其他可能的类之间进行分类，也就是 "离群 "类。因此，我打算使用One Class Classifier或LibSVM分类器。 但问题是，我需要为 "目标 "类提供训练数据吗？
我需要为 "离群 "类提供训练数据吗？如果是，有什么办法可以解决这个问题，因为我只有目标类的数据。
有一种方法可以实现这一点，只从阳性类的样本是 密度估计. 你可以对你的数据拟合一个参数模型（例如，多变量正态），或者使用核密度估计器（有点像最近邻的单类版本，有一个核化距离度量）。然后，评估你的新数据在学习模型下的概率，如果它足够低，就拒绝它作为类的成员。
你可以使用One Class Svm来进行新奇度检测，你只需要对目标类进行训练，它就会对你的数据进行分类，使其与训练过的类相似或不同 你可以阅读One Class Svm的scikit文档。此处
一类分类器的要点是，没有离群类的数据。所有的1C算法都是基于这个假设设计的。1C-分类器使用的常见情况是在机器的健康预估中。在这种情况下，通常只有健康类的数据，因为收集故障类的数据是非常昂贵的&很难准确地获得，因为它需要人们打破设备，只是为了看看传感器的反应。
可能的算法，不包括上面提到的1C-SVM是。
-神经网络自动编码器。在这种情况下，重建误差可以用来量化输入是否不再属于一类。这也可以扩展到Variantional autoencoders，用于准确分离潜伏变量（对异常情况进行无监督分类）。
-神经网络1C-分类器。
-HELM-1C网络