python - 如何创建一个能够根据假设做出决策的深度神经网络？

Question

基本上，我对解决假设问题感兴趣，我只知道零假设的数据分布，对替代情况一无所知。

我关心的是我应该如何训练我的深度神经网络，以便它可以分类或识别特定样本数据是否具有与零假设情况类似的分布，或者它来自另一个类(替代假设情况)。

根据我的理解，它与二元分类(一个与所有情况)不同，因为在这种情况下，我们知道我们要处理什么数据，但在我的情况下，替代假设情况可以遵循任何数据分布。

这里我给你一个示例情况，我到底想要什么

<小时/>

假设我想预测一个人是否可能患有癌症

例如

我有一组导致癌症的因素的数据，例如，

参数A=1，参数B=3.87，参数C=5.6，患有癌症=是

但是我没有数据集

参数A=2，参数B=1.87，参数C=2.6，患有癌症=否

<小时/>

可以是这样的

意味着我不知道任何导致没有癌症的结论，我仍然可以训练我的模型来识别一个人是否患有癌症吗？

Answer 1

如果您足够确定备择假设数据来自与零假设不同的分布，您可以尝试无监督学习算法。即具有正确簇数的 K 均值或 GMM 可以产生数据的良好分离。然后，您可以为第二类数据分配标签并使用它训练分类器。

这是半监督学习的通用方法。

另一个想法是将替代假设数据视为异常值，并使用异常检测算法来找到第二类数据点。这要实现起来要困难得多，并且严重依赖于数据来自真正不同的分布的假设。