一类分类训练

Question

我正在研究一个分类问题，其中我只有一个类的数据，所以我想在“目标”类与所有其他可能性之间进行分类，即“异常值”类。因此，我打算使用One Class Classifier或LibSVM分类器。但问题是：

我是否需要提供“异常”课程的培训数据？如果是的话，有什么方法可以解决这个问题，因为我只有关于Target类的数据。

Answer 1

使用仅来自正类的样本来实现此目的的一种方法是density estimation。您可以将参数模型拟合到数据中（例如，多变量法线）或使用核密度估计器（有点像最近邻居的单类版本，具有核心化距离度量）。然后，在学习模型下评估新数据的概率，如果它足够低，则拒绝它作为该类的成员。

Answer 2

你可以使用 用于新奇检测的一级Svm，您只需要在目标班级进行训练，它会将您的数据分类为与训练班级相似或不同 您可以阅读One Class Svm here

的scikit文档

Answer 3

一类分类器中的要点是，没有来自异常类的数据。所有1C算法都是基于此假设而设计的。使用1C分类器的常见情况是机器的运行状况预测。在这种情况下，通常只有健康类的数据，因为从故障类中收集数据非常昂贵，而且很难准确获取，因为要看传感器如何反应就需要破坏设备。

排除上述1C-SVM的可能算法是：

-神经网络自动编码器。在这种情况下，重建误差可用于量化输入是否不再是一类的一部分。还可以将其扩展到可变自动编码器，以准确隔离潜在变量（异常情况的无监督分类）。

-神经网络1C分类器。

-HELM-1C网络