关于神经网络，我有些不明白。我尝试将它们与财务数据分析和音频音高分类一起使用。在这两种情况下，我都需要一个可以从众多项目中检测出重要项目的分类器。我的音频应用程序实际上每千次负面点击就有一个正面点击。我运行了网络训练器，它知道只接受否定是一个非常好的猜测。是否有其他算法可以检测稀有宝石？是否有某种形式的神经网络训练特别适合这类问题？我可以将正数据的范围更改为等于负值的总和，但我不明白这如何与典型神经网络上首选的零到一范围相匹配。
【问题讨论】：
标签： audio signal-processing neural-network classification
这里有两个可能的建议：
平衡你的训练集
即使现实世界的数据包含的负数是正数的 1000 倍，您的训练数据也不必如此。您可以修改训练数据集以增加训练集中正数的比例。这将提高召回率（更多的真阳性），但也会降低精度（也有更多的假阳性）。因此，您必须在训练集中尝试理想的正负比例。
本文更详细地讨论了这种方法：http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2243711/pdf/procamiasymp00003-0260.pdf
异常检测
...另一方面，如果您的正例太少而无法使用更平衡的训练集来训练神经网络，那么也许您可以尝试anomaly detection。通过异常检测，您可以训练您的算法（例如神经网络）来识别负面数据点的样子。然后，任何看起来与正常不同的数据点都会被标记为阳性。
【讨论】：