Artificial intelligence 仅可使用“训练”进行训练的分类器算法；“好”；数据

我正试图找到一个适合我的应用程序的分类器。我真的很喜欢支持向量机，但是我的输入数据遇到了一个问题

用户使用真实世界录制的音频训练分类器。只有两类——“好”和“坏”

我的问题是，几乎所有的培训数据都是“好的”——在现场培训过程中不太可能遇到“坏的”信息

是否有一种算法可以像支持向量机一样工作，但返回的结果是新数据与“好”行的匹配程度如何？或者在一个上下“良好”超平面内（这将是理想的，因为我希望公差在多个维度上有所不同）

或者，是否有一种算法可以用于自动生成训练数据的坏点

我的想法是，对于每个采样点，对于每个连续轴，我

• 获取所选轴上点的值（v）
• 确定共享相同离散值且具有附近连续值的所有点上该轴的最大值和最小值（“最小值”和“最大值”）
• 在v+（max-min）和v-（max-min）处添加一个“坏”点，以帮助指导SVM

---

这可能会迫使支持向量机在更高的维度上工作，但在我看来，它应该可以做到这一点？

这听起来类似于过度交叉验证（Stats-SE）。更一般地说，这是一种单类分类，所以你可能想研究一下。如果没有这样的东西，那么这样的东西就存在了——这是在scikit learn中，我已经在使用的框架中。谢谢你的帮助！这正是我要找的。