如何仅训练阳性病例来预测结果？

为了简单起见，假设我正在研究垃圾邮件/非垃圾邮件的经典示例。

我有一组20000封电子邮件。在这些邮件中，我知道2000是垃圾邮件，但没有任何非垃圾邮件的例子。我想预测其余18000个垃圾邮件是否为垃圾邮件。理想情况下，我要寻找的结果是电子邮件为垃圾邮件的概率（或p值）。

在这种情况下，我可以使用哪种算法做出明智的预测？

目前，我正在考虑一种基于距离的方法，该方法可以告诉我电子邮件与已知垃圾邮件的相似程度。我有什么选择？

更笼统地说，我可以使用监督学习方法吗？或者我是否必须在训练中包含负面案例才能做到这一点？我是否仅限于无监督学习方法？那么半监督方法呢？

这被称为从积极和未标记的数据中学习，或简称PU学习，是半监督学习的活跃领域。

简而言之，在学习过程中使用未标记的数据非常重要，因为它可以产生比所谓的单类别分类器明显改进的模型，所谓的“单类别”分类器仅针对已知的积极因素进行训练。未标记的数据可以通过几种方式合并，主要方法如下：

• 以某种方式从未标记的数据中推断出一组可能的负数，然后训练一个监督模型以将已知的正数与这些推断的负数区分开。
• 将未标记的集视为否定，并以某种方式解决已知存在的标记噪声。

我在这个领域很活跃，建议您阅读我的两篇论文以及其中的参考文献，以获取对该领域的概述：

• 一种从正面和未标记数据中学习模型的最新技术（可在此处找到正式出版物）：http : //arxiv.org/abs/1402.3144
• 一种在没有已知负面因素的情况下计算常用性能指标的技术（正在审查中，这尚属首次）：http : //arxiv.org/abs/1504.06837

我假设在您的18000个案例中，垃圾邮件案例没有那么多。要使用监督学习方法，您的数据中必须有多个类别。由于您知道2000个案例是垃圾邮件，因此可以将其余18000个案例标记为“未知类别”，并训练任何监督学习模型来预测垃圾邮件或未知类别中的案例。然后检查样本外模型的准确性，以查看模型在区分这两个类别方面的表现如何。如果运行良好，则可以肯定我对“未知”类别中的垃圾邮件案例很少。如果运行不佳，则必须使用无人监督的学习者（如kmeans等）对数据进行聚类并识别出单独的同类组。然后确定哪些集群包含最多2000封垃圾邮件，哪些没有，分别标记为垃圾邮件和非垃圾邮件。接下来，您可以像我之前描述的那样，使用受监督的学习者进行建模。

OP所谈论的是一类分类任务，这是一项非常具有挑战性的任务。

在不同的研究领域有许多关于此任务的论文。我还编写了一个基于集成学习的有效内在作者身份验证方案。为了分类垃圾邮件/非垃圾邮件而不是作者，很容易进行调整。试试看，让我知道您是否需要更多详细信息...