Python 设置'；污染'；参数设置为'；自动'；在SKL中学习异常值检测方法吗？

我有一个数据集，我需要能够控制离群点检测模型（隔离林、椭圆包络、OneClassSVM…）将给定点视为离群点的程度（类似于Z分数或IQR分数）。这意味着我不想预先指定数据集中异常点的百分比，更好地称为

污染

参数，但我希望此百分比取决于我希望模型的“挑剔”程度。这是否与将参数

污染物
设置为“自动”相同

以下是Sci工具包学习包对此的说明：
“如果‘自动’，则阈值的确定与原稿相同”

这是指哪一份原始文件？将
污染
参数设置为“auto”是否解决了我的问题？
我看了这篇论文，但没有取得多大成功，但看了代码，我找到了答案。请注意实施的这一部分：

    if self.contamination == "auto":
        # 0.5 plays a special role as described in the original paper.
        # we take the opposite as we consider the opposite of their score.
        self.offset_ = -0.5
        return self

    # else, define offset_ wrt contamination parameter
    self.offset_ = np.percentile(self.score_samples(X),
                                 100. * self.contamination)

您可以检查完整的实现

当您设置
inclution='auto'
时，会影响模型预测的
偏移量
值被设置为
-0.5
，而如果在
inclution
参数中使用
float
值，偏移量值将发生变化，以达到您之前通过的污染百分比。因此，模型将根据此决定确定数据中的污染百分比。
感谢您的回复！事实上，这也是我最终发现的。然而，-0.5的偏移值在技术上是否也对应于给定的污染百分比？在这种情况下，将污染参数设置为“自动”不一定有助于我是，-0.5对应于一个百分比，但由于它是一个固定值，因此不会影响预测，因此，一个样本是否是异常值的决定完全由算法来定义。这意味着污染参数不会影响我们的预测？如果是这样的话，这是个好兆头。在这种情况下，用户可以定义一个点作为离群点或内点的“范围”，对吗？由于决策函数现在所做的只是给出一个异常分数，如果我理解得很好，对不起@Mario，我无法打开你的链接…@lalfab哦，我更新了问题