طبقه بندی داده های کم با ویژگی های زیاد

Question

با عرض سلام و احترام
میخواهم کار طبقه بندی بر روی ۳۸ نمونه (۳۲ نمونه از کلاس صفر و ۶ نمونه از کلاس یک) با حدود ۲۳۰۰۰۰ ویژگی را انجام دهم. برای این کار ابتدا ۵۰۰۰ ویژگی مناسب تر انتخاب شده و سپس با استفاده از dbn کار استخراج ویژگی را انجام دادم و با روش های مختلفی چون RBM,KNN و SVM کار طبقه بندی را انجام دادم ولی متاسفانه با تمامی روش ها کلیه داده ها در یک کلاس (کلاس صفر) قرار گرفتند.
از آنجایی که تعداد نمونه هایم کم است این امر طبیعی می باشد و از طرفی امکان جمع آوری داده های جدید وجود ندارد. لذا از دوستانی که در این زمینه اطلاعی دارند خواستارم تا من را راهنمایی کنند و روش مناسبی برای طبقه بندی اینگونه داده ها را ذکر کنند.
پیشاپیش از راهنمایی دوستان سپاسگذارم.

Answer 1

بسته به نوع دیتا میتونید از data augmentation استفاده کنید ولی با این حجم ویژگی باز هم سخت جواب میده.

Answer 2

به علت اینکه تعداد داده ها کم هست از شبکه های عصبی معمولی نمیشه استفاده کرد و باید از مدل های ریاضی مبتنی بر فاصله مثل KNN و SVM (با margin بزرگ) استفاده کرد. داده هاتون هم تعدادشون کم هست و هم نامتوازن هستن. بهتره که داده های اون دسته ای که کمتر هست augement بشه تا تعداد نمونه ها متعادل بشه. بعد با یک SVM و کانفیگ اون به شکلی که margin بزرگ باشه میشه با تعداد نمونه های خیلی کم یک دسته بند قابل قبول در این مورد طراحی کرد.
روش های دیگه مبتنی بر metric learning هم قابل استفاده هستند که میتونید درباره آن ها تحقیق کنید