单侧分类工具包及其在光谱数据分析中的应用

本论文研究了基于拉曼光谱，利用单侧分类算法将危险氯化溶剂与其他材料分离的应用。实验使用了一个从零开始设计并开发的新型单侧分类工具包。在单侧分类范式中，目标是将目标类元素与所有离群点分离。当训练样本存在某种不足时，实践中通常选择这些单侧分类器。有时离群点样本可能稀少、标注成本高昂，甚至完全缺失。然而，笔者希望指出，当离群点样本充足但在统计上不能代表完整离群概念时，它们同样适用。本研究工作明确处理的正是此种情形。在这些情况下，单侧分类器已被发现比常规多类分类器更为鲁棒。引入术语“意外”离群点来表示测试集中遇到的、与训练集样本来自不同分布的离群点样本。这些样本是由于训练集中对所有可能离群点的表征不充分而产生的。鉴于离群点可代表非目标的“其他一切”这一不可度量之量，往往不可能对其完全刻画。本研究结果表明，当测试数据与训练样本来自完全不同分布时，使用常规多类分类算法存在潜在缺陷。