Scikit learn 将目标/标签数据传递给Scikit learn GridSearchCV'；OneClassSVM的s拟合方法

据我所知，一类SVM的训练没有目标/标签数据

一个答案是，当分类器是

OneClassSVM

时，将目标/标签数据传递给GridSearchCV的拟合方法

GridSearchCV

方法如何处理这些数据

它是否真的在没有目标/标签数据的情况下训练

OneClassSVM

，并且只使用目标/标签数据进行评估

我试着跟着答案走，但找不到答案

它是否真的在没有目标/标签数据的情况下训练OneClassSVM，并且只使用目标/标签数据进行评估

两人都同意

GridSearchCV实际上在

fit

调用中将标签发送给OneClassSVM，但OneClassSVM只是简单地发送标签。请注意，在第二个链接中，如何将一个数组发送到主SVM训练器，而不是给定的标签数组

y

。

fit

中的

y

等参数的存在只是为了使

GridSearchCV

等元估计量能够以一致的方式工作，而不必担心监督/非监督估计量

要实际测试这一点，首先让我们使用GridSearchCV检测异常值：

X,y = load_iris(return_X_y=True)
yd = np.where(y==0,-1,1)
cv = KFold(n_splits=4,random_state=42,shuffle=True)
model = GridSearchCV(OneClassSVM(),{'gamma':['scale']},cv=cv,iid=False,scoring=make_scorer(f1_score))
model = model.fit(X,yd)
print(model.cv_results_)

记下

cv\u结果中的所有
splitx\u测试得分

现在，让我们在
fit
呼叫期间手动执行此操作，而不发送标签
yd
：

for train,test in cv.split(X,yd):
    clf = OneClassSVM(gamma='scale').fit(X[train])  #Just features
    print(f1_score(yd[test],clf.predict(X[test])))

两者的得分应该完全相同。
如果您有标签数据，那么为什么要训练OneClassSVM？来测试OneClassSVM。：）如果我训练一个带有训练数据和测试数据的系统，系统将了解测试数据。我创建了一个合成测试用例，我想用它来评估OneClassSVM在遇到数据类型时的表现。如果目的是测试OneClassSVM，那么您可以在没有GridSearchCV的情况下进行测试，因为您不会调整算法。但是，如果您也有火车标签，那么与有监督的分类器从火车标签学习相比，这有什么好处？使用GridSearchCV的原因是为了揭示算法在一个示例假设的合成测试子类上的性能。我可以通过编写自己的代码来实现这一点，但如果可能的话，我希望利用scikit学习框架。这样做而不是使用监督分类器的好处是，我想训练一个系统来学习关于1个普通类的知识&执行新颖性检测。同样，我的测试用例是假设的，不包括所有类型的数据。“GridSearchCV旨在调整参数，以便模型最适合火车标签”的说法至少不总是正确的。我相信，但可能是错误的，它使用的交叉验证根本没有利用训练数据。此外，GridSearchCV支持无监督学习，在培训过程中不使用培训标签。这是描述在伟大的答案！我觉得这应该在scikit learn GridSearchCV和OneClassSVM文档中作为一个例子。