我正在参考http://scikit-learn.org/stable/auto_examples/svm/plot_oneclass.html#example-svm-plot-oneclass-py中的示例，该示例使用一类SVM进行异常检测。现在，这可能是scikit-learn独有的标记，但我找不到关于如何使用传递给OneClassSVM构造函数的参数nu的解释。

在http://scikit-learn.org/stable/modules/svm.html#nusvc中，指出参数nu是对参数C（我熟悉的正则化参数）的重新参数化 – 但没有说明如何进行这种重新参数化。

我非常希望能得到一个公式和直观的解释。

谢谢！

回答：

C的问题和nu的引入

C参数的问题在于：

1. 它可以取任何正值
2. 它没有直接的解释。

因此，选择正确的C值非常困难，必须通过交叉验证或直接实验来找到合适的值。

作为回应，Schölkopf等人重新制定了SVM，引入了一个新的正则化参数nu。这个参数的特点是：

1. 在0和1之间
2. 有直接的解释

nu的解释

参数nu是边界错误比例的上限和支持向量比例相对于总训练样本数的下限。例如，如果你将其设置为0.05，你可以保证最多5%的训练样本被错误分类（尽管这会导致较小的边界），并且至少5%的训练样本成为支持向量。

C和nu之间的关系

C和nu之间的关系由以下公式控制：

nu = A+B/C

A和B是常数，但遗憾的是它们并不容易计算。

结论

关键信息是，C和nu SVM在分类能力上是等价的。相对于C，nu的正则化更容易解释，但nu SVM通常更难优化，并且运行时间随输入样本数量的增加不如C变体那样扩展良好。

更多细节（包括A和B的公式）可以在这里找到：Chang CC, Lin CJ – “Training nu-support vector classifiers: theory and algorithms”