¿Qué clasificador es eficiente al tratar con una consulta de prueba que no pertenece a una clase entrenada?

Esto tiene una solución bastante estándar, no es necesario recurrir a ningún método complicado. Entrene 5 clasificadores “One Vs All” en lugar de 1 “clasificador de 5 clases”.
Como en el tren 5 Ci’s: C1, C2, C3, C4, C5 donde Ci dice verdadero si el punto de datos pertenece a la clase I o falso si no lo hace. En este caso, los 5 darán Falso si su punto de datos no pertenece a ninguna de las clases.
One Vs All (OVA) es un enfoque muy común en la clasificación multiclase y la mayoría de los algoritmos (incluido Naive Bayes) se pueden usar fácilmente. Sin embargo, sugeriría que se aleje de Naive Bayes si prueba OVA. Esto es porque NB no funciona muy bien para clases desequilibradas en mi experiencia.

Le sugiero que busque algoritmos de aprendizaje no supervisados ​​en este escenario en lugar de los supervisados. En casi todos los algoritmos de aprendizaje supervisado usted predice la clase o la probabilidad (probabilidad) de la clase particular de posibilidad en base a los patrones observados para esa clase y otras clases.

Si bien el uso de un suavizado de Laplace puede darnos un resultado aproximado que sugiera que los nuevos datos de muestra no pertenecen a ninguna de las clases originales, nunca sabría cuáles son las nuevas clases si tiene muchos datos de prueba y varias clases que no se encontraron anteriormente.

Los métodos de aprendizaje no supervisados, como la máquina Boltzman restringida, el modelado de la mezcla gaussiana utilizando la maximización de la expectativa, la asignación de direccionamiento latente pueden abordar este escenario fácilmente y brindarle buenos resultados. Pero incluso para estos modelos, necesita al menos saber cuántas clases tiene en todos los datos.

Ninguna. Si entrenas un clasificador binario para cada clase usando uno contra todos. Entonces puede obtener menos probabilidades para todas las clases, de las cuales puede inferir lo que quiere.