单类最近邻变体间的关系及其精确集成构建
机器学习
2017-12-29 v5
摘要
在单类分类问题中，仅目标类的数据可用，而非目标类的数据可能完全缺失。本文研究单类最近邻（OCNN）分类器及其不同变体。我们提出理论分析以展示可能使用不同邻居或阈值来识别非目标类未见过样本的OCNN不同变体之间的关系。我们还提出一种基于四分位距的方法，用于在训练期间无非目标数据时优化OCNN所用参数。然后，我们提出两种基于随机子空间和随机投影方法的集成方法，以构建精确的OCNN集成。我们在15个基准和真实世界特定领域数据集上测试了所提方法，表明OCNN的随机投影集成表现最佳。
引用
@article{arxiv.1604.01686,
title = {Relationship between Variants of One-Class Nearest Neighbours and Creating their Accurate Ensembles},
author = {Shehroz S. Khan and Amir Ahmad},
journal= {arXiv preprint arXiv:1604.01686},
year = {2017}
}
备注
14 pages, 9 figures, 8 Tables