jaki jest najlepszy sposób generowania fałszywych danych dla problemu klasyfikacji?

Question

Pracuję nad projektem i mam podzbiór danych o czasie naciśnięcia klawisza użytkownika. Oznacza to, że użytkownik wykonuje n prób, a ja wykorzystam te zarejestrowane dane czasu prób w różnych rodzajach algorytmów klasyfikacji do przyszłych prób użytkownika. sprawdź, czy proces logowania jest wykonywany przez użytkownika lub inną osobę. (Po prostu mogę powiedzieć, że to jest biometria)

Mam 3 różne czasy procesu logowania użytkownika, oczywiście, że jest to podzbiór nieskończonych danych.

do tej pory jest to łatwy problem z klasyfikacją, postanowiłem użyć WEKA, ale o ile rozumiem, muszę stworzyć fałszywe dane, aby podać algorytm klasyfikacji. Zmierzone próby użytkownika będą wynosić 1, a fałszywe dane będą wynosić 0

Czy mogę użyć niektórych algorytmów optymalizacji? lub jest jakiś sposób, aby utworzyć te fałszywe dane, aby uzyskać min fałszywych alarmów?

Dzięki

Answer 1

Istnieje

kilka różnych sposobów można przejść o zbliża ten.

Zdobywaj negatywne przykłady - Jednym z łatwych rozwiązań byłoby po prostu zbieranie danych dotyczących czasu naciśnięcia klawisza od innych osób, które mogłyby być używane jako negatywne przykłady. Jeśli chcesz zebrać dużą próbkę bardzo tanio, jak w około 1000 próbek za około 10 USD, możesz skorzystać z usługi takiej jak Amazon Mechanical Turk.

To znaczy, że można połączyć zadanie ludzkiej inteligencji (HIT), które ma ludzi wpisujących losowe hasła, takie jak sekwencje. Aby uzyskać informacje o czasie, musisz użyć numeru External Question, ponieważ ograniczony kod HTML na zwykłe pytania nie obsługuje JavaScript.

Użyj modelu generatywnego - Alternatywnie można wytrenować generatywny model prawdopodobieństwa dla zachowania klawisza użytkownika. Na przykład możesz wyszkolić Gaussian mixture model (GMM) na opóźnienie między naciśnięciami klawiszy.

Taki model daje prawdopodobieństwo oszacowania informacji o czasie naciśnięcia klawisza generowanego przez określonego użytkownika. W takim przypadku wystarczy ustawić próg prawdopodobieństwa, że ​​informacje o taktowaniu powinny być takie, aby użytkownik mógł zostać uwierzytelniony.

Użyj 1-klasowych maszyn SVM - Wreszcie, 1-class SVMs umożliwia trenowanie klasyfikatora SVM podobnego do niego przy użyciu tylko pozytywnych przykładów. To learn one-class SVMs in WEKA, użyj opakowania LibSVM, jeśli używasz wersji 3.6. Jeśli używasz najnowszej wersji programisty, jest weka.classifiers.meta.OneClassClassifier.