40、新型单类分类与二维形状分类方法解析

新型单类分类与二维形状分类方法解析

在机器学习和模式识别领域，单类分类（OCC）和二维形状分类是两个重要的研究方向。本文将为大家详细介绍一种新的单类分类方法——单类随机森林（OCRF），以及二维形状分类中利用生物信息学工具的相关研究。

单类分类的挑战与传统方法

单类分类（OCC）是一种特殊的二元分类任务，在学习过程中只有一类对象（目标类）可用。这种分类范式主要应用于收集反例样本（异常值）非常困难甚至不可能的场景，如作者身份验证、手写字符或打字员识别、移动伪装者检测、机器或结构健康监测等。

在OCC领域，传统方法主要分为基于密度的方法和判别式（或基于边界）的方法。基于密度的方法旨在估计目标数据的概率密度函数，常用的技术包括Parzen窗口和高斯混合模型（MoG）。然而，这些方法在处理高维数据时效果不佳，通常需要大量的训练样本才能对分布进行合理估计。判别式方法则基于构建类之间的决策边界，但主要困难在于合成异常值类以建模决策边界。常见的做法是使用核函数（如基于支持向量机的方法）或在训练期间人工生成异常值。但人工生成异常值时，通常假设其均匀分布，这会导致需要生成与特征空间维度呈指数关系的大量异常值，计算成本高，且在高维数据中往往不准确或不可用。

单类随机森林（OCRF）方法

为了解决上述问题，研究人员提出了一种新的单类分类方法——单类随机森林（OCRF）。该方法基于随机森林算法，并结合了原始的异常值生成过程。

随机森林（RF）是一种非常成功且通用的集成技术，它使用随机化来生成多样化的基于树的分类器池。在标准的RF学习算法中，有两个强大的随机化过程：装袋（bagging）和随机特征选择（RFS）。装袋是指在训练每个单独的树时使用训练集的自