单分类和PU learning的优劣势分别是啥

Question

单分类和PU learning的优劣势分别是啥，哪一个更贴合我的问题呢？
我有一堆数据（数据量大概是百万级），数据可以分为两类，但是由于负类数据太过多样化所以不方便标记样本，只能标记正类样本。我现在想从这堆数据里面识别出所有的正类数据，一种方法是把它当做一个单分类问题来做，另一种方法是把它当做一个PU learning问题来做，但是现在我拿不准哪类方法更适合我的问题？另外，整个数据里面正类数据明显多于负类数据。

Answer 1

以下回复参考：皆我百晓生、券券喵儿等免费微信小程序作答:

针对你的问题，单分类和PU learning都有各自的优劣势，具体选择哪种方法取决于数据的特性、任务需求以及可获取的资源。以下是它们各自的优劣势分析：

单分类（One-class Classification）：

优势：

1. 适用于只标记了正类样本的情况。由于你的负类样本过于多样化，难以标记，单分类方法只需要关注正类样本，因此可以很好地应对这种情况。
2. 能够从大量数据中识别出正类样本，对于正类样本明显多于负类样本的情况较为适用。

劣势：

1. 由于只使用正类样本进行训练，模型可能对于负类的识别能力有限，容易出现误判。
2. 对于复杂的数据分布，单分类方法可能难以捕捉到全部的正面特征，导致性能下降。

PU learning（Positive and Unlabeled learning）：

优势：

1. 能够利用未标记的样本进行训练，增强了模型的泛化能力。在这种方法中，即使无法标记全部的负类样本，也能利用未标记的样本进行训练，提高模型的性能。
2. 能够利用正类和未标记样本共同训练，有可能在一定程度上减轻由于只有正类样本而导致的过拟合问题。

劣势：

1. 对于数据中的正类和负类的比例问题较为敏感。当正类明显多于负类时，可能会导致模型偏向于识别为正类，影响性能。不过也有一些算法通过特定的策略来处理这种数据不平衡的问题。
2. 由于PU learning涉及到对未标记样本的利用和处理，算法相对复杂一些，可能需要更多的计算资源。

对于你的问题，由于负类数据过于多样化且难以标记，单分类方法可能更为适用。但你也可以尝试PU learning方法，看看是否能够得到更好的结果。在实际应用中，还可以考虑结合两种方法的优点，例如先使用单分类方法识别出大部分正类样本，再利用PU learning方法进一步优化模型。此外，还可以考虑使用其他方法如半监督学习等来处理这种只有部分标记数据的问题。