Eu tenho um grande conjunto de dados (~ 1.700.000) que eu gostaria de classificar. Eu também tenho uma amostra não tão pequena (~ 8.000) classificada como uma dessas classes (digamos, condição A), mas eu não tenho nenhuma (zero) das outras classes (digamos, condições B a Z). Além disso, todas variáveis são categóricas.
Apesar de haverem inúmeras categorias, tenho interesse apenas em um delas (aquela que possuo alguma amostra, de condição A).
Sou capaz de treinar o modelo com apenas as observações de tipo A? Se não, como devo superar esse problema?
É razoável alterar a forma do problema para uma classificação de tipo binário (tipo A seriam VERDADEIRO e os demais tipos FALSO)? Neste caso, posso tomar aleatoriamente algumas das observações não classificadas e supor que a condição é FALSO? Sei que a maior parte das observações não classificadas seriam de tipo B a Z (no caso binário FALSO).
Desde já, obrigado.