Python 当我有未受污染的训练数据（无异常值）时，使用Scikit learn实现新颖性检测的最佳方法是什么？

我有一个带标签的数据库，它有一个单独的类“-1”，所有的异常值都在其中

我目前正在使用sklearn的

LocalOutlierFactor

和

OneClassSVM

对无离群值的训练数据进行拟合，然后在包含离群值的测试数据上对其进行测试。我的目标是在使用分类模型对它们进行分类之前，检查新的看不见的示例是否是异常值

看来，由于我用于拟合模型的训练数据没有异常值，而且每个类中的示例都非常相似，因此如果我将

LocalOutlierFactor

的超参数

污染
设置得尽可能低，我会在测试数据上获得最佳结果（精度和召回率），类似于
10**-100
。我设置的这个值越高，我的模型在新数据上检测到的错误异常值就越多。
我使用
OneClassSVM
观察到类似的行为。超参数
gamma
和
nu
必须非常低，以使模型达到最佳效果

根据Scikit学习，训练数据不得被异常值污染，以执行新颖性检测。这在顶部解释

鉴于此，我的问题是我是否遗漏了什么，或者我的方法是否合法。如果训练数据不被污染，我甚至不明白为什么我必须设置
污染
超参数。在我的情况下，它非常干净，
污染
无法设置为0，手动将其设置为如此低的值似乎很奇怪。
如果您已经标记了可用的异常值，为什么没有它们就要进行培训？如果您有足够的标签来创建一个合适的验证集，那么使用交叉验证进行超参数搜索，其中，污染系数是超参数之一。选择性能最佳的模型如果您有可用的标记异常值，为什么要在没有这些异常值的情况下进行培训？如果您有足够的标签来创建一个合适的验证集，则使用交叉验证进行超参数搜索，其中污染因子是超参数之一。选择性能最好的型号