ML之SSL:Semi-Supervised Learning半监督学习的简介、应用、经典案例之详细攻略
ML之SSL:Semi-Supervised Learning半监督学习的简介、应用、经典案例之详细攻略
目录
Semi-Supervised Learning半监督学习的简介
1、直推学习Transductive learning
2、归纳学习Inductive learning
3、监督学习、半监督学习和非监督学习之间的区别
Semi-Supervised Learning半监督学习的应用
1、SSL根据学习场景可分为四大类
1.1、半监督分类
1.2、半监督回归
1.3、半监督聚类
1.4、半监督降维
Semi-Supervised Learning半监督学习的经典案例
参考文章:《2019中国人工智能发展报告》—清华大学中国工程院知识智能中心—201912
相关文章
ML之SL:监督学习(Supervised Learning)的简介、应用、经典案例之详细攻略
ML之UL:无监督学习Unsupervised Learning的概念、应用、经典案例之详细攻略
ML之SSL:Semi-Supervised Learning半监督学习的简介、应用、经典案例之详细攻略
Semi-Supervised Learning半监督学习的简介
半监督学习(Semi-Supervised Learning,SSL)是模式识别和机器学习领域研究的重点问题,是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据,以及同时使用标记数据,来进行模式识别工作。当使用半监督学习时,将会要求尽量少的人员来从事工作,同时,又能够带来比较高的准确性,因此,半监督学习正越来越受到人们的重视。最大的特点是监督学习与无监督学习相结合。
半监督学习的研究的历史可以追溯到20世纪70年代,这一时期,出现了自训练(Self-Training)、直推学习(Transductive Learning)、生成式模型(Generative Model)等学习方法。
半监督学习是监督学习与无监督学习相结合的一种学习方法。半监督学习一般针对的问题是数据量大,但是有标签数据少或者说标签数据的获取很难很贵的情况,训练的时候有一部分是有标签的,而有一部分是没有的。与使用所有标签数据的模型相比,使用训练集的训练模型在训练时可以更为准确,而且训练成本更低。常见的两种半监督的学习方式是直推学习(Transductive learning)和归纳学习(Inductive learning)。
1、直推学习Transductive learning
没有标记的数据是测试数据,这个时候可以用测试的数据进行训练。这里需要注意,这里只是用了测试数据中的特征(feature)而没有用标签(label),所以并不是一种欺骗的方法。
2、归纳学习Inductive learning
没有标签的数据不是测试集。
Semi-Supervised Learning半监督学习的应用
1、SSL根据学习场景可分为四大类
源自《百度百科》
1.1、半监督分类
半监督分类(Semi-Supervised Classification):是在无类标签的样例的帮助下训练有类标签的样本,获得比只用有类标签的样本训练得到的分类器性能更优的分类器,弥补有类标签的样本不足的缺陷,其中类标签 取有限离散值 。
1.2、半监督回归
半监督回归(Semi-Supervised Regression):在无输出的输入的帮助下训练有输出的输入,获得比只用有输出的输入训练得到的回归器性能更好的回归器,其中输出 取连续值 ;
1.3、半监督聚类
半监督聚类(Semi-Supervised Clustering):在有类标签的样本的信息帮助下获得比只用无类标签的样例得到的结果更好的簇,提高聚类方法的精度;
1.4、半监督降维
半监督降维(Semi-Supervised Dimensionality Reduction):在有类标签的样本的信息帮助下找到高维输入数据的低维结构,同时保持原始高维数据和成对约束(Pair-Wise Constraints)的结构不变,即在高维空间中满足正约束(Must-Link Constraints)的样例在低维空间中相距很近,在高维空间中满足负约束(Cannot-Link Constraints)的样例在低维空间中距离很远。
Semi-Supervised Learning半监督学习的经典案例
后期更新……
ML之SSL:Semi-Supervised Learning半监督学习的简介、应用、经典案例之详细攻略相关推荐
- ML之UL:无监督学习Unsupervised Learning的概念、应用、经典案例之详细攻略
ML之UL:无监督学习Unsupervised Learning的概念.应用.经典案例之详细攻略 目录 无监督学习Unsupervised Learning的概念 无监督学习Unsupervised ...
- ML之SL:监督学习(Supervised Learning)的简介、应用、经典案例之详细攻略
ML之SL:监督学习(Supervised Learning)的简介.应用.经典案例之详细攻略 目录 监督学习(Supervised Learning)的简介 1.监督学习问题的两大类-分类问题和回归 ...
- ML之SVM:SVM算法的简介、应用、经典案例之详细攻略
ML之SVM:SVM算法的简介.应用.经典案例之详细攻略 目录 SVM算法的简介 1.SVM模型分类-线性可分.线性.非线性 2.SVM的决策边界 3.SVM中的核函数 4.SVM算法推导 1.1.S ...
- ML之DT之CART:分类与回归树CART算法的简介、应用、经典案例之详细攻略
ML之DT之CART:分类与回归树CART算法的简介.应用.经典案例之详细攻略 目录 分类与回归树CART算法简介 1.CART原理-比较ID3.C4.5 2.CART算法描述 CART算法的案经典案 ...
- ML之NB:朴素贝叶斯Naive Bayesian算法的简介、应用、经典案例之详细攻略
ML之NB:朴素贝叶斯Naive Bayesian算法的简介.应用.经典案例之详细攻略 目录 朴素贝叶斯Naive Bayesian算法的简介 1.朴素贝叶斯计算流程表述 2.朴素贝叶斯的优缺点 2. ...
- ML之Clustering之K-means:K-means算法简介、应用、经典案例之详细攻略
ML之Clustering之K-means:K-means算法简介.应用.经典案例之详细攻略 目录 K-means算法简介 1.K-means算法适用的数据类型 2.K-Means算法的全局最优解和 ...
- ML之kNN:k最近邻kNN算法的简介、应用、经典案例之详细攻略
ML之kNN:k最近邻kNN算法的简介.应用.经典案例之详细攻略 目录 kNN算法的简介 1.kNN思路过程 1.1.k的意义 1.2.kNN求最近距离案例解释原理-通过实际案例,探究kNN思路过程 ...
- ML之LoR:逻辑回归LoR算法的简介、应用、经典案例之详细攻略
ML之LoR:逻辑回归LoR算法的简介.应用.经典案例之详细攻略 目录 逻辑回归LoR算法的简介 1.LOR算法在经过严密的数据预处理后效果会非常好 2.LoR模型的优缺点 逻辑回归LoR算法的应用 ...
- ML之LIME:可解释性之SP-LIME的简介、原理、使用方法、经典案例之详细攻略
ML之LIME:可解释性之SP-LIME的简介.原理.使用方法.经典案例之详细攻略 目录 SP-LIME简介-Submodular Pick LIME子模挑选 1.Submodular优化过程 Sub ...
最新文章
- 魔方机器人需要特制魔方吗_解魔方的机器人攻略18 – 魔方快速算法
- 脱式计算机在线使用,脱式计算,
- java 单例模式打包jar_在 Spark 中实现单例模式的技巧
- 贷款中介市场要变天了吗?
- PPT图片内嵌文字效果
- C++:const VS define
- VS 2008中的jQuery Intellisense
- 7-63 情人节 (15 分)(c++stl)
- 【重识 HTML + CSS】浮动
- ES6 迭代器与生成器(非常详细、容易理解)
- 删除不需要的iPhone语言文件
- 正则十八式-第三式:龙跃于渊
- 为什么需要工作流调度系统?
- 视频中的3D人体姿态估计(3D human pose estimation in vide)--------Facebook research: VideoPose3D
- [week15] C - ZJM与纸条(选做)—— KMP算法
- MATLAB计算黎曼积分曲线围成的面积
- python爬虫疫情可视化
- 微金所获2015(行业)最具影响力品牌奖
- 石油储运生产 2D 可视化,组态应用赋能工业智慧发展
- 2021年12月电子学会青少年软件编程(图形化)等级考试试卷(一级)答案解析