---
title: "單類別支持向量機（One-Class SVM）"
slug: one-class-svm
language: zh-TW
source: https://aiterms.tw/terms/one-class-svm
updated_at: 2026-07-04
tags: [機器學習, 異常偵測, 統計方法, source:arxiv]
ipas_term: false
---

# 單類別支持向量機（One-Class SVM）

單類別支持向量機為非監督式異常偵測演算法，利用正常樣本建立高維邊界，以分離出落於邊界之外的異常資料。

## 完整說明

單類別支持向量機是一種非監督式機器學習演算法，專門處理僅具備正常樣本的訓練任務。它用於在高維空間中建立包圍正常資料的決策邊界，能夠精準辨識出落於該邊界之外的異常資料。常見應用包括工業預測性維護、網路入侵偵測與金融詐欺偵測等領域。

## 常見問題

### 單類別支持向量機是否能夠處理包含多個特徵的高維度資料？

單類別支持向量機具備處理高維度資料的優異能力，這主要歸功於核技巧在數學上的應用。在面對多維特徵時，線性模型往往難以找出有效的決策邊界，而單類別支持向量機可透過徑向基函數等核函數，將原始的低維度特徵空間映射至維度更高甚至無限維的特徵空間。在這種轉換之下，原本難以劃分的非線性資料分佈會變得能夠被超平面或超球面有效隔離。因此，即使資料集包含數十至數百個工程特徵，演算法依然能精準包圍正常資料點。值得注意的是，在處理高維度資料前，必須實施嚴格的特徵標準化程序，以防止不同尺度的特徵干擾距離計算的準確性，進而確保模型維持穩定的偵測效能。

### 在模型訓練階段，如果訓練資料中混入了少量的異常值，會對演算法造成什麼具體影響？

單類別支持向量機的核心假設是訓練資料皆為正常樣本，若訓練資料集中混入了少量的異常值或雜訊，模型的邊界判定效能將會受到干擾。演算法在學習過程中，會試圖將這些包含異常值的資料點也納入正常邊界的保護範圍內，導致學習到的特徵分佈被扭曲。這種情況會使得最終生成的決策邊界過於寬鬆，進而增加系統在實際部署後的漏報率，無法準確辨識出真正的異常事件。為了解決這項工程挑戰，必須透過仔細調校超參數 nu 來應對。合理設定的 nu 值可以賦予模型一定的容錯能力，允許演算法主動忽略位於分佈邊緣的少數離群資料，從而建立出更強健且符合真實正常行為的幾何決策邊界。

### 單類別支持向量機與基於深度學習的異常偵測方法相比，在工程選擇上有何差異？

單類別支持向量機屬於基於統計與幾何計算的傳統機器學習演算法，其數學基礎明確，對於中小型結構化資料集具有良好的運算效率與極高的可解釋性。在模型需要進行嚴格審計或解釋決策邏輯的工業場景中具有優勢。相對而言，自編碼器等基於深度學習的方法，透過多層神經網路自動學習深層特徵，在處理如影像、音訊等高維度非結構化資料時表現出色。然而，深度學習架構通常需要龐大的運算資源與較長的訓練時間，且其內部神經網路的運作機制猶如黑盒子，決策透明度較低。在實務的工程架構選擇上，開發團隊應根據資料的規模、維度特性、硬體資源限制以及對模型可解釋性的要求，來決定採用何種技術方案。

---

來源：https://aiterms.tw/terms/one-class-svm
快查頁：https://aiterms.tw/terms/one-class-svm
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-one-class-svm