这是一个二元半监督分类问题。首先，为监督案例建立基线。然后尝试未标记的数据是否有帮助

监督

1. 根据您的标记数据：创建训练、验证和测试集。直到最后都不要触摸测试集。
2. 尝试一些简单的东西，例如具有 350 个输入节点和 1 个输出节点的多层感知器 (MLP)（给出“真”的概率）。
3. 尝试更多的东西（例如https://github.com/MartinThoma/algorithms/blob/master/ML/mnist/many-classifiers/python.py#L92）。
4. 尝试在集成中组合分类器（参见示例）。
5. 一个（朴素的）贝叶斯分类器可能值得研究。

半监督

• 您可以在未标记数据上训练具有瓶颈的自动编码器。然后删除瓶颈后的所有内容。将此网络用作预处理步骤。这个想法是这个网络找到了相关数据的更有意义的抽象。然而，与 PCA 类似，投影误差非常低，但仍然破坏了区分类别的可能性。
• SVM 也可用于半监督设置。
• 您可以尝试在未标记数据 + 标记数据中查找集群。然后，您可以获得每个集群的“真”的先验概率（忽略未标记的数据）。您可以在集群中的数据上训练非常小的模型（过度拟合！）。

通常，您可以解释特征。这可能有助于开发新功能。

考虑到您的时间预算和与类别不平衡相关的潜在挑战，我会丢弃未标记的数据并在标记数据上使用监督学习。尝试一个简单的分类器，例如逻辑回归或随机森林或 xgBoost，并使用交叉验证来查看它们的执行情况。提前搁置一个保留的测试数据，直到最后不要触摸它。对其余数据使用交叉验证来尝试不同的分类器和不同的方法。

你必须处理一个严重的类不平衡问题。我的怀疑是，您可能需要将大部分时间用于处理班级不平衡问题。1% 的真阳性率对应于 100 倍的类不平衡，这会给许多分类器带来严重的问题，并且可能会让人头疼。

此外，真正的基础分布与训练集中的分布不匹配：野外的真阳性率为 1%，但 67% 的训练集是阳性的。您也需要对此进行调整。

有很多方法可以处理类不平衡，并调整训练集与野外不平衡之间的差异。我建议您从设置类权重开始：您需要将负数的权重提高 198 倍（因此，训练集中负数的错误成本是正数集中正数错误的 198 倍)，因为在野外，您期望看到的分布是 2000 个正数和 198000 个负数，而不是 2000 个正数和 1000 个负数。

挑战在于，一些分类器很难很好地处理这种级别的类不平衡。例如，众所周知，SVM 有时会在存在这种类别不平衡的情况下严重失败。他们最终可能会默认始终预测“负数”，因为这样的错误率只有 1%。相比之下，逻辑回归往往表现更好，并提供了一种调整类别不平衡的简单方法。

对类不平衡进行一些搜索；你会发现很多关于多种策略的文章，你可以使用它来处理它。

如果类不平衡结果不是问题，并且您在第一次尝试时得到了一个不错的分类器，并且您有更多时间尝试改进结果，那么我接下来要花时间看看您是否设计更好/更多的特性，给定关于这些实例来自哪里的领域知识。