机器学习理念：将模型应用于有偏见的数据

Question

我有机器学习问题，我不知道是否有理论上的解决方案。

我有标记数据（我们称之为数据集 D1 ）来构建随机森林分类模型并且效果很好。

现在我的主要兴趣是将此模型应用于另一个具有零标签的数据集 D2 ，这意味着我无法将其用于培训。衡量 D2 的效果的唯一方法是检查从中预测的类的比例。

问题：与 D1 相比， D2 有偏差（功能不具有相同的均值或适合相同的分布）。因此，应用于 D2 的模型会给一个类带来严重偏差的结果。我知道这是正常的，因为大多数 D2 类似于 D1 的一小部分。

但有没有办法纠正这种偏斜？我从问题的本质上知道预测的班级比例应该不那么偏颇。我已经尝试了规范化，但它并没有真正帮助。

我觉得我没有直接思考：3

Answer 1

有疑问的问题。我对此的回答有三个部分。

免责声明：没有免费午餐。因此，如果不检查实际测试集标签上的性能，您永远无法确定。最糟糕的情况是，你的问题有一个概念漂移，这使得无法预测你的目标类。但是，有一些解决方案可以提供相当不错的结果

用于表示法：

功能由X表示Y目标变量和f(X) |-> Y表示的分类器。 X D1 P(X|D1) X的分布（略微滥用符号）

Testset中的类分布

你＆＃34;假设可以在预测变量中使用分布（＆＃34;检查从中预测的类的比例。＆＃34;）。然而，这仅仅是一个指示。我在工业中构建分类器以预测机器将失败（预测性维护）。有很多工程师试图使我的输入数据偏斜，这使得生产数据的机器更加可靠。然而，这不是问题，因为一个班级基本上消失了。但是，分类器仍然有效。

问题有一个非常简单的方法＆＃34;如何修复＆＃34;测试集上目标标签的分布。该想法基本上是根据预测的标签对所有测试实例进行分类，并根据期望的目标变量分布对数据点进行采样（替换）。然后，您可以尝试检查功能accuracy上的分布，但这不会告诉您太多。

偏斜是一个问题吗？实际上，它可以作为分类器通常尝试最小化F1度量或其他统计属性D2。如果您事先知道X中的分布，则可以提供成本函数，从而最大限度地降低此分布下的成本。这些成本可用于重新采样其他答案中提到的训练数据，但是，一些学习算法也有更复杂的技术来整合这些信息。

离群值检测

一个问题是，您是否可以检测到输入PCA(X,t)=PCA([X1,...,Xn],t)=[Cond1,...,Condm]=Cond中的某些内容已发生变化。这非常重要，因为这可能表明您输入了错误的数据。您可以应用相当简单的测试，例如所有维度的均值和分布。但是，这会忽略变量之间的依赖关系。

对于以下两个插图，我使用虹膜数据集

我想到了两种技术，可以让您检测到数据中的某些内容已经发生了变化。第一种技术依赖于PCA转换。仅用于数字，但对于分类特征有类似的想法。 PCA允许您将输入数据转换为较低维度的空间。这是 t投影n<<m 通常使用PCA^1(Cond,t) = X'的情况下，此转换仍然是可逆的，因此MSE(X,X')和错误versicolor很小。要检测问题，您可以监控此错误，一旦增加，您可以说您不信任您的预测。

如果我在virginica和Y的所有数据上构建PCA，并在重建二维（所有虹膜尺寸上的PCA）上绘制错误，我得到

然而，如果杂色是新数据，结果就不那么令人信服了。

然而，无论如何都会为数字数据完成PCA（或类似的smth），因此，它可以提供良好的指示而没有太多的开销。

我所知道的第二种技术是基于所谓的一类支持向量机。普通支持向量机将构建一个尝试分离两个目标类setosa的分类器。一类支持向量机试图将看不见的数据分开。如果使用支持向量机进行分类，使用这种技术是相当有吸引力的。你基本上会得到两个分类。第一个是目标数据，第二个是先前是否看过类似数据。

如果我在virginca和versicolor上构建一个分类器并按照新颖性进行着色，我会得到以下图表：

可以看出来自D2的数据似乎已经不再可疑了。在那种情况下，它是一个新的类。然而，如果我们假设这些是弗吉尼亚的实例，它们就会危险地靠近超平面漂移。

半监督学习和转导

解决您的潜在问题。转导学习的概念，半监督学习的特例可能是咄咄逼人的。在Semi监督学习中，训练集由两部分组成。标记数据和未标记数据。 Semi-sup-l使用所有这些数据来构建分类器。转换学习是一种特殊情况，其中未标记的数据是您的测试数据D2。 Vapnik给出了这个想法，当你想要解决一个更简单的问题时，不要试图解决一个更复杂的问题[为所有可能的数据建立一个分类器] [预测ggplot(iris)+aes(x=Petal.Width,y=Petal.Length,color=Species)+geom_point()+stat_ellipse() library(e1071) iris[iris$Species %in% c("virginica","setosa"),] ocl <- svm(iris[iris$Species %in% c("virginica","setosa"),3:4],type="one-classification") coloring <- predict(ocl,iris[,3:4],decision.values=TRUE) ggplot(iris)+aes(x=Petal.Width,y=Petal.Length,color=coloring)+geom_point()+stat_ellipse() ggplot(iris)+aes(x=Petal.Width,y=Petal.Length)+geom_point(color=rgb(red=0.8+0.1*attr(coloring,"decision.values"),green=rep(0,150),blue=1-(0.8+0.1*attr(coloring,"decision.values")))) pca <- prcomp(iris[,3:4]) #pca <- prcomp(iris[iris$Species %in% c("virginica","setosa"),1:4], retx = TRUE, scale = TRUE) pca <- prcomp(iris[iris$Species %in% c("virginica","setosa"),1:4], retx = TRUE, scale = TRUE,tol=0.2) pca <- prcomp(iris[iris$Species %in% c("virginica","versicolor"),1:4], retx = TRUE, scale = TRUE,tol=0.4) predicted <-predict(pca,iris[,1:4]) inverted <- t(t(predicted %*% t(pca$rotation)) * pca$scale + pca$center) ggplot(inverted[,3:4]-iris[,3:4])+aes(x=Petal.Width,y=Petal.Length,color=iris$ Species)+geom_point()+stat_ellipse() 的标签] ＆＃34;

<强> APENDIX

用于绘图的RCODE

{{1}}

Answer 2

可能有许多因素可能导致这种扭曲的结果：

您似乎表明D2与D1相比有所偏差，因此严重偏差的结果可能是预期结果（也许D2数据集主要集中在问题空间的区域部分，其中一个类占主导地位） 。根据数据的性质，这可能是一个有效的结果。

也许D1在特定班级上受到过度训练。您可以尝试在课堂上减少案例训练，以鼓励对其他课程中的一个进行分类以确定结果。我不知道你有多少训练或测试用例，但是如果它很大并且训练数据中的类标签比其他标签多，那么这可能会导致过度分类。

也许你也可以操纵训练数据，使其更接近D2的手段，看看它对分类有什么影响。我以前从未尝试过这个。

我希望这会有所帮助。