我正在处理一个分类问题，其中我只有一个类的数据，所以我想在“目标”类与“异常值”类的所有其他可能性之间进行分类。因此，我打算使用 One Class Classifier 或 LibSVM 分类器。但这里的问题是：
我需要为“异常值”类提供训练数据吗？如果是，有什么办法可以解决这个问题，因为我只有 Target 类的数据。
【问题讨论】：
标签： machine-learning classification weka libsvm outliers
仅使用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您的数据（例如，多变量法线）或使用核密度估计器（有点像最近邻的一类版本，具有核化距离度量）。然后，评估你的新数据在学习模型下的概率，如果它足够低，就拒绝它作为类的成员。
【讨论】：
你可以使用
一种用于新奇检测的类 Svm，您只需在目标类上对其进行训练，它就会将您的数据分类为与受过训练的类相似或不同
您可以阅读 One Class Svm here 的 scikit 文档
【讨论】：
一类分类器的要点是没有来自异常值类的数据可用。所有 1C 算法都是基于这个假设设计的。使用 1C 分类器的常见情况是机器的健康预测。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，因为它需要破坏设备才能查看传感器的反应。
排除上述1C-SVM的可能算法有：
-神经网络自动编码器。在这种情况下，重构误差可用于量化输入是否不再属于某一类。这也可以扩展到变分自动编码器，以准确隔离潜在变量（异常的无监督分类）。
-神经网络 1C-分类器。
-HELM-1C 网络
【讨论】：