一类分类器训练

Question

我正在处理一个分类问题，我只有关于一个类的数据，因此我想将其与所有其他可能性即“离群值”类别进行分类。因此，我打算使用单类分类器或LibSVM分类器。但问题是：

我需要为“离群值”类别提供训练数据吗？如果是，是否有任何方法可以解决这个问题，因为我只有关于目标类的数据。

- rusho1234

Answer 1

利用只有正例样本的方法之一是密度估计。您可以将参数模型拟合到数据中（例如，多元正态分布），也可以使用核密度估计器（类似于最近邻的单类版本，具有核化距离度量）。然后，在学习模型下评估新数据的概率，如果足够低，则将其拒绝为该类的成员。

- Ben Allison

---

我们如何评估核密度估计本身？比如说，哪种核函数好，应该设置什么带宽？（我们确实有计算带宽的函数，但我们是否知道它们是否最适合？） - Uno

Answer 2

你可以使用单类支持向量机进行新颖性检测，只需在目标类上进行训练，它就会将你的数据分类为与训练类相似或不同。你可以阅读scikit文档中有关单类支持向量机的这里。

- Ahmed

Answer 3

在一个单类分类器中，重点在于没有来自异常类的数据可用。所有1C算法都是基于这个假设设计的。常见的使用1C分类器的情况是在机器健康预测中。在这种情况下，通常只有来自健康类的数据，因为从故障类收集数据非常昂贵且难以准确获取，因为这将需要破坏设备才能看到传感器的反应。

除了上面提到的1C-SVM之外，可能的算法包括：

-神经网络自编码器。在这种情况下，重构误差可以用来量化输入是否不再属于单一类别。这也可以扩展到变分自编码器，以精确隔离潜在变量（异常的无监督分类）。

-神经网络1C分类器。

-HELM-1C网络。

- Sebastiaan van Baars