解题思路

先从训练集里分离出所有正常样本和异常样本，再把正常样本按固定随机种子划分为训练集和验证集，异常样本全部放进验证集，仅用于评估，不参与训练。

然后只用正常训练集计算每一维的均值和标准差，完成标准化。若某一维标准差为 $0$，就把它改成 $1$，避免除以 $0$。接着用同一组均值和标准差去变换正常训练集、正常验证集、异常验证集和测试集。

接下来枚举所有 $gamma$ 和 $nu$，对每组参数训练一个 $OneClassSVM$。它本质上是单类分类算法，只学习正常样本的分布范围，再通过 decision_function 判断样本更像正常还是异常。

评估时，把正常验证集和异常验证集合并，真实标签设为正常是 $0$、异常是 $1$。因为 decision_function 的值越大越偏向正常，所以算 $AUC$ 时使用 $-s$，算 $F1$ 时直接按阈值 $0$ 判断，$s<0$ 视为异常。

题目内容

小美是一位算法工程师，她的任务是识别平台上的异常交易订单，以保障用户和商家的资金安全。她计划使用 $One-Class\ SVM$ 模型来解决这个问题，并设计了一套标准的模型训练、验证和调优流程。请你遵循小美的设计，仅用$numpy / pandas / scikit-learn$，完成整个流程。

1.数据拆分

• 输入 “train” 中标签 $y = 0$ 为正常，$y = 1$ 为异常
• 先提取所有正常样本，再固定随机划分

train_test_split(test_size = 0.25, random_state = 42, shuffle = True)

得到正常训练集 $X_{tr}$、正常验证集 $X_{val\_norm}$

• 所有异常样本组成 $X_{val\_anom}$（仅作评估）

2.标准化

• 只用 $X_{tr}$ 估计 mean / std；若std值为0，将其重置为1。
• 对 $X_{tr}$、$X_{val\_norm}$、$X_{val\_anom}$、以及最终“test”全部用同一 $(x-mean)/std$

3.超参网格 — 由输入给定

• gamma_list：正浮点
• nu_list： $0 < \nu < 1$ 对每对 $(\gamma, \nu)$ 训练 OneClassSVM

OneClassSVM(kernel="rbf", gamma=gamma, nu=nu, shrinking=False, tol=1e-4, cache_size=200, max_iter=-1)

4.验证评估

• 在 $X_{val} = X_{val\_norm} \cup X_{val\_anom}$ 上，模型 decision_function 输出分值 $s$
• 以真标签（0=正常，1=异常）计算
• AUC = roc_auc_score
• F1 = f1_score（阈值 = 0，即 One-Class SVM 内部阈值）

5.选最优超参 按下列优先级排序，选择 $(\gamma^*, \nu^*)$： i. AUC 降序 ii. F1 降序 iii. $\nu$ 升序 iv. $\gamma$ 升序

6. 在整套正常样本（$X_{tr} \cup X_{val\_norm}$）上重训最优模型，然后对“test”样本输出标签（0=normal，1=anomaly）。

输入描述

单行 JSON（示例）：

  "train": [[x11, x12, ..., 0],
            [x21, x22, ..., 0],
            [x31, x32, ..., 1],
            ...],
  "test": [[t11, t12, ...],
           [t21, t22, ...]],
  "gamma_list": [0.1, 0.5],
  "nu_list":  [0.05, 0.1]
}

• |train| ≤ 40, |test| ≤ 10，维度 d ≤ 6，全为实数
• gamma_list、nu_list 长度各 ≥ 2

输出描述

仅一行： $[pred_1, pred_2, ...]$

长度 = $|test|$ 的 $JSON$整型数组 $(0/1)$，顺序与输入一致，以空格间隔。

补充说明

1. 整个流程唯一随机源：train_test_split，固定 random_state=42
2. 为确保通过测试用例，仅允许使用$numpy / pandas / scikit-learn$。

样例1

输入

{"train":[[0,0,0],[-0.1,0.1,0],[0.2,-0.2,0],[5,5,1]],"test":[[0.1,0.0],[5,5]],"gamma_list":[0.05,0.2],"nu_list":[0.05,0.1]}

输出

[0, 1]