One-Class SVM и SVDD: как описать границу нормы и когда это оправдано?

One-Class SVM строит в спрямляющем пространстве гиперплоскость, отделяющую данные от начала координат с максимальным зазором; SVDD — эквивалентная по сути формулировка через минимальную сферу, охватывающую данные. С RBF-ядром обе дают гибкую нелинейную границу вокруг области нормы, и всё, что снаружи, считается аномалией. Два параметра решают судьбу модели: ν — верхняя граница доли объектов, оказавшихся снаружи (и одновременно нижняя граница доли опорных векторов), и γ ядра — насколько «облегающей» получится граница; слишком большая γ даёт границу, обтягивающую каждую точку, и в проде такая модель объявляет аномалией почти всё. Метод хорош на выборках до десятков тысяч объектов при чистой обучающей норме, требует масштабирования признаков и плохо масштабируется дальше — сложность обучения между квадратичной и кубической. На больших данных берут линейную аппроксимацию (SGDOneClassSVM с приближением ядра) или другие семейства.