one class SVM

背景：通常一类问题出现在需要对训练样本进行一定比例的筛选，或者已知的训练样本都是正样本，而负样本却很少的情况。
这种情况下，往往需要训练一个对于训练样本紧凑的分类边界，就可以通过负样本实验。一个简单的实际例子是：一个工厂对于产品的合格性进行检查时，往往所知道是合格产品的参数，而不合格的产品的参数要么空间比较大，要么知道的很少。这种情况下就可以通过已知的合格产品参数来训练一个一类分类器，得到一个紧凑的分类边界，超出这个边界就认为是不合格产品。形式化的说明知乎上有个很好的例子：
http://www.zhihu.com/question/22365729
原理：
它求解的模型如下所示：

其中的参数V特别注意，它的值在0-1之间，是一个比例值，它的含义是：你的训练样本中最后被分类为负样本的比例。比如你有100个训练样本，V设为0.1，去学一个one class SVM，然后在学到的SVM上测试你之前用的训练集，最后可以看到有10个左右的样本的标签为-1，被分为负样本。下面还会通过实验进行说明。模型的求解等其他理论细节请参考大牛Bernhard Scholkopf的文章：Support Vector Method for Novelty Detection
http://papers.nips.cc/paper/1723-support-vector-method-for-novelty-detection.pdf
实验：
libsvm中有关于one class SVM的实现，算法就是根据上面Bernhard Scholkopf的文章。可以用下面代码进行测试：

% Generate training data 
r = 20;
fprintf('Learning the function x^2 + y^2 < 1\n');
[XX,YY] = mesh