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。
