基本上，我对解决一个假设问题感兴趣，在这个问题中，我只知道原假设的数据分布，而对替代假设的情况一无所知。
我的担忧是，我应该如何训练我的深度神经网络，以便它能够分类或识别某个特定样本数据是否具有与原假设情况类似的分布，还是来自另一个类别（替代假设情况）。
根据我的理解，这与二元分类（一对多情况）不同，因为在那种情况下，我们知道我们将要处理的数据是什么，但在我这里，替代假设情况可以遵循任何数据分布。
在这里，我给你们一个例子情况，解释我到底想要什么
假设我想预测一个人是否可能患有癌症
例如
我有一个导致癌症的因素数据集，如，
参数A=1,参数B=3.87,参数C=5.6,是否患癌 = 是
但我没有一个数据集，其中
参数A=2,参数B=1.87,参数C=2.6,是否患癌 = 否
可以是任何类似的情况
这意味着我对导致不患癌症的任何情况一无所知，我仍然能训练我的模型来识别一个人是否患有癌症吗？
回答：
如果你足够确定替代假设的数据来自与原假设不同的分布，你可以尝试无监督学习算法。例如，使用合适数量的聚类的K-means或GMM可以很好地分离数据。然后，你可以为第二类数据分配标签，并使用它来训练分类器。
这是一种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异常值，并使用异常检测算法来寻找你的第二类数据点。这实现起来要困难得多，并且在很大程度上依赖于数据确实来自非常不同的分布的假设。
