我在blod-cells图像中构建抗体识别器。它基于libsvm。在识别属于受训类的一个实例时，原型很有效。 但是，当我给任何图像甚至不包含blod-cells（例如显微镜具有不良的偏移/焦点）时，它仍然建议模型已知的类之一。
我首先考虑实施课程＆＃34; Unknown＆＃34;但是我很担心用所有噪声图像训练它会使模型性能变差。
所以我的想法是检查，如果要识别的实例的一个/多个特征超出了值范围并丢弃它。
这是一个好方法吗？ 如果是，应如何选择截止值（例如，在标准偏差方面）？
非常感谢！
答案 0 :(得分：1)
在“可能的非类样本”问题中，最明显的解决方案似乎是以两种方式之一创建一类SVM（离群值检测算法）：
只要有一个obvios阈值，建议的“超出范围检查”的方法是好的 - 因为你在这里问什么是最好的选择 - 这意味着不是一个好方法。如果你不能（作为专家）自己弄清楚，看起来更好，更安全的选择训练异常检测方法，如前所述，这将实际做同样的事情，但以自动方式（因为它会找到规则在没有任何“坏图像”训练的情况下丢弃“不良数据”。）