基本上，我对解决假设问题很感兴趣，在该问题上，我仅了解无效假设的数据分布，而对替代情况一无所知。
我的关注点是我应该如何训练我的深度神经网络，以便它可以分类或识别特定样本数据是否具有与零假设情况下相似的分布，还是来自另一类（另一种假设情况）。
根据我的理解，它与二进制分类（一个案例与所有案例）不同，因为在那种情况下，我们知道要处理的数据，但是在我的案例中，替代假设案例可以遵循任何数据分布。
这里我给你一个例子，我到底想要什么
假设我想预测一个人是否可能患有癌症
例如
我有一组导致癌症的因素的数据，例如，Parameter A=1,Parameter B=3.87,Parameter C=5.6,Has cancer = yes
但是我没有数据集Parameter A=2,Parameter B=1.87,Parameter C=2.6,Has cancer = No
可以是这样的
意味着我对导致没有癌症的结论一无所知，我是否仍可以训练我的模型来识别一个人是否患有癌症？
最佳答案
如果您足够确定替代假设数据来自与原假设不同的分布，则可以尝试无监督学习算法。也就是说，具有正确数量的簇的K均值或GMM可以产生很大的数据分离。然后，您可以将标签分配给第二类数据，并使用它来训练分类器。
这是半监督学习的一般方法。
另一个想法是将替代假设数据视为离群值，并使用异常检测算法找到第二类数据点。这很难实现，并且在很大程度上依赖于数据来自真正不同分布的假设。
关于python - 我如何创建能够做出假设决策的深度神经网络？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/43139718/