通常一類問題出現在需要對訓練樣本進行一定比例的篩選，或者已知的訓練樣本都是正樣本，而負樣本卻很少的情況。
這種情況下，往往需要訓練一個對于訓練樣本緊湊的分類邊界，就可以通過負樣本實驗。一個簡單的實際例子是：一個工廠對于產品的合格性進行檢查時，往往所知道是合格產品的參數，而不合格的產品的參數要么空間比較大，要么知道的很少。這種情況下就可以通過已知的合格產品參數來訓練一個一類分類器，得到一個緊湊的分類邊界，超出這個邊界就認為是不合格產品。

%% 加載“鳶尾花”數據集

% 刪除花瓣的長度和寬度

% 將所有的鳶尾花視為同一類

load fisheriris

X = meas(:,1:2);

y = ones(size(X,1),1);

%% 使用處理后的數據集訓練SVM分類器

% 假設5%的觀測值是異常值

rng(1);

SVMModel = fitcsvm(X,y,'KernelScale','auto','Standardize',true,...

    'OutlierFraction',0.05);

% SVMModel模型是一個訓練好的分類器

% 默認情況下，軟件使用高斯內核的一類學習 

%% 繪制觀測和檢測邊界，標記支持向量和可能離群值

svInd = SVMModel.IsSupportVector;

h = 0.02; % 網格步長

[X1,X2] = meshgrid(min(X(:,1)):h:max(X(:,1)),...

    min(X(:,2)):h:max(X(:,2)));

[~,score] = predict(SVMModel,[X1(:),X2(:)]);

scoreGrid = reshape(score,size(X1,1),size(X2,2));

figure

plot(X(:,1),X(:,2),'k.')

hold on

plot(X(svInd,1),X(svInd,2),'ro','MarkerSize',10)

contour(X1,X2,scoreGrid)

colorbar;

title('{\bf Iris Outlier Detection via One-Class SVM}')

xlabel('Sepal Length (cm)')

ylabel('Sepal Width (cm)')

legend('Observation','Support Vector')

hold off

% 圖中離群值和其他數據以0為分界線

%% 交叉驗證數據中負分數的觀測值比例接近5%

CVSVMModel = crossval(SVMModel);

[~,scorePred] = kfoldPredict(CVSVMModel);

outlierRate = mean(scorePred<0);

disp(outlierRate)