¿Cómo entrenamos un clasificador para el cual solo tenemos: 1) un conjunto de datos que son datos de entrenamiento explícitamente positivos y 2) un conjunto de datos que se desconoce (tiene el potencial de ser positivo o negativo)?

Interesante problema Al buscar en Google aparecieron los nombres “aprendizaje de una clase” y “aprendizaje positivo sin etiquetar”. Aquí hay varios documentos relacionados:
Wang et. Alabama. : Aprendizaje semi-supervisado a partir de datos positivos y no etiquetados utilizando entropía [1]
Zhu et. al .: Aprendizaje de una clase y resumen de conceptos para flujos de datos con etiquetas vagas [2]
Nguyen et. al: Aprendizaje positivo sin etiquetar para la clasificación de series de tiempo [3]

[1] http://www.cs.sfu.ca/~ester/pape …
[2] http://www.cs.umb.edu/~ding/pape …
[3] http://ijcai.org/papers11/Papers …

El libro de Bing Liu sobre “Minería de datos web” tiene una buena sección (5.2) sobre “Aprender de ejemplos positivos y no etiquetados”. Es lo que él llama “PU Learning”. El enfoque de dos pasos que describe implica primero extraer un conjunto de documentos confiablemente negativos (RN) del conjunto sin etiquetar, y describe cuatro métodos para hacerlo, pero es un poco complejo de explicar aquí.

Algunas de las técnicas que menciona están cubiertas en un artículo que escribió (2003?) Titulado “Aprendiendo a clasificar textos usando datos positivos y sin etiquetar” – ver http://www1.i2r.a-star.edu.sg/~x … , así que lo leería primero si no tienes acceso a su libro.

Hola y gracias por la pregunta

Lo que ha descrito es aprender con conjuntos de datos positivos y no etiquetados (PU). La idea es brevemente la siguiente: tiene puntos de datos positivos (tal vez porque son muy abundantes, o más baratos para muestrear, o …) y tiene puntos de datos no etiquetados. El conjunto de datos no etiquetados, aunque no está categorizado, seguramente debe tener alguna información sobre el espacio de clasificación. La pregunta entonces es: si es así, ¿qué tipo de información podemos extraer? ¿Es útil esa información para discriminar lo positivo de lo negativo? Hay muchos trabajos que exploran estas preguntas y sus límites.

Aquí hay una lista muy pequeña de documentos:

Denis et al 2005 – Aprendiendo de ejemplos positivos y sin etiquetar. Informática teórica 348 (2005) 70–83.

duPlessis et al 2014 – Análisis del aprendizaje a partir de datos positivos y sin etiquetar.

Elkan y Noto 2008 – Clasificadores de aprendizaje a partir de solo datos positivos y sin etiquetar. KDD’08, 24-27 de agosto de 2008, Las Vegas, Nevada, EE. UU.

Li y Liu 2003 – Aprendizaje con ejemplos positivos y sin etiquetar utilizando regresión logística ponderada. Actas de la Vigésima Conferencia Internacional sobre Aprendizaje Automático (ICML-2003), Washington DC, 2003.

Zhou et al 2012 – Aprendizaje positivo y sin etiquetar de múltiples vistas. JMLR: Taller y Actas de la Conferencia 25: 555–570, 2012

El tema de la PU fue candente en ~ 2005. Recuerdo que en ese momento me topé con él mientras buscaba aprender sobre conjuntos de datos altamente desequilibrados. Los dos problemas en algunos dominios se pueden conectar.

Espero que esto ayude.

Esta publicación de blog aborda su pregunta precisa de una manera sucinta

http://www.machinedlearnings.com …