我怎样才能建立一个有能力对假设作出决定的深层神经网络呢？

Question

基本上，我对解决一个假设问题感兴趣，在这个问题上，我只知道一个空假设的数据分布，而不知道其他情况。

我关心的是如何训练我的深层神经网络，以便它能够分类或识别特定样本数据的分布是否与空假设情况相似，还是来自另一类(另一种假设情况)。

根据我的理解，它不同于二进制分类(一种对所有的情况)，因为在这种情况下，我们知道我们要处理什么数据，但是在我的例子中，替代假设情况可以遵循任何数据分布。

这里我给大家举个例子，我想要的是

，假设我想预测一个人有可能患上癌症，或者不患

例如

我有一组导致癌症的因素，

Parameter A=1,Parameter B=3.87,Parameter C=5.6,Has cancer = yes

但我没有数据

Parameter A=2,Parameter B=1.87,Parameter C=2.6,Has cancer = No

可能是这样的

这意味着我不知道任何导致没有癌症的结论，我还能训练我的模型来识别一个人是否有癌症吗？

Answer 1

如果您确信替代假设数据来自不同的分布而不是零假设，您可以尝试无监督学习算法。即K-均值或具有适当聚类数的GMM可以产生很大的数据分离。然后，您可以为第二类数据分配标签，并使用它来训练分类器。

这是一种一般的半监督学习方法.

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二级数据点。这要困难得多，而且在很大程度上依赖于这样一种假设，即数据来自真正不同的分布。

Answer 2

答案是肯定和不..。

如果你对其他假设中的数据点的分布一无所知，它们原则上可能与你已知的分布没有区别，因此你总是把它们(错误地)归类为"myHypothesis“。那是不可能的。

是的部分:你能做的是排除那些与你的假设有很大不同的数据集，使它们不太可能是由相同的分布产生的。这意味着，在原则上，您可以像“myDistribution生成给定数据的概率小于some value”这样的语句。

然而，我并不认为神经网络是做出这种声明的最佳方式。它可以足够，适合一个模型(理想的一个已知的模型.因此，如果你知道你有什么精确的分布，你应该用它来拟合参数，而不是用神经网络对你的训练数据进行拟合，然后计算出你的模型观察你的测试数据的概率(例如，使用贝叶斯推理)。要获得更多信息，您可以查看类似于这的内容