半监督支持向量机（S3VMs） 今天我们主要介绍SVM分类器以及它的半监督形式S3VM，到这里我们关于半监督学习基础算法的介绍暂时告一段落了。之后小编还会以论文分享的形式介绍一些比较新的半监督学习算法。让我们开始今天的学习吧~引入 支持向量机（SVM）相信大家并不陌生吧？但是如果数据集中有大量无标签数据（如下图b），那么决策边界应该如何去确定呢？仅使用有标签数据学得的决策边界（如下图a）将穿过
转载
2023-11-16 17:30:46
119阅读
一、SVM算法简介 1.1、什么是SVM算法？ SVM(Support Vector Machine)算法，即支持向量机算法，它是最优秀的分类算法之一，也是数据挖掘十大算法之一，它以其简单的理论构造了复杂的算法，又以其简单的用法实现了复杂的问题而受到业界的青睐。SVM算法属于有监督学习算法。它是在1995年由Corinna Cortes和Vapnik首先提出的。 SVM算法是基于统计
转载
2024-06-14 10:27:13
39阅读
Deep Graph Library（DGL） DGL是一个专门用于深度学习图形的Python包, 一款面向图神经网络以及图机器学习的全新框架, 简化了基于图形的神经网络的实现。 在设计上，DGL 秉承三项原则：DGL 必须和目前的主流的深度学习框架（PyTorch、MXNet、TensorFlow 等）无缝衔接。从而实现从传统的 tensor 运算到
转载
2023-08-14 10:23:35
275阅读
转载
2024-07-17 10:22:49
39阅读
1.算法描述半监督学习(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。 支持向量机（suppor
转载
2023-10-16 12:53:29
113阅读
一、机器学习算法分类:监督学习：提供数据和数据分类标签。——分类、回归非监督学习：只提供数据，不提供标签。半监督学习强化学习：尝试各种手段，自己去适应环境和规则。总结经验利用反馈，不断提高算法质量遗传算法：淘汰弱者，留下强者，进行繁衍和变异穿产生更好的算法。二、选择机器学习算法和数据集sklearn中有很多真实的数据集可以引入，也可以根据自己的需求自动生成多种数据集。对于数据集可以对其进行归一化处
转载
2024-08-29 15:54:29
25阅读
《机器学习》之《半监督学习》作业《机器学习》之《半监督学习》作业题目1题目2 《机器学习》之《半监督学习》作业题目1从网上下载或自己编程实现TSVM算法 选择两个UCI数据集，将其中30%的样例用作测试样本，10%的样例用作有标记样本，60%的样例用作无标记样本。分别训练出利用无标记样本的TSVM以及仅利用有标记样本的SVM，并比较其性能。解： 选择最常用的iris数据集，将数据集标准化之后，将
转载
2024-06-28 19:17:57
55阅读
半监督SVM什么是半监督学习半监督SVM要做什么TSVM 这里是阅读周志华的《机器学习》中关于半监督SVM（S3VM）的笔记。 什么是半监督学习在数据的搜集中，获得标记数据的成本是高昂的，而获得未标记的数据则是低廉的，为此人们提出了半监督的学习方法，旨在利用少量的标记数据和大量的未标记数据进行学习，从而节约成本。这是可能做到的，比如有一些未被标记的数据和一个被标记的正样本数据非常相似，那么我们
转载
2023-10-19 13:43:58
78阅读
一、半监督学习1-1、什么是半监督学习让学习器不依赖外界交互、自动地利用未标记样本来提升学习性能，就是半监督学习（semi-supervised learning）。要利用未标记样本，必然要做一些将未标记样本所揭示的数据分布信息与类别标记相联系的假设。假设的本质是“相似的样本拥有相似的输出”。半监督学习可进一步划分为纯（pure）半监督学习和直推学习（transductive learning），
转载
2024-08-21 10:51:57
125阅读
一、机器学习算法分类:监督学习：提供数据和数据分类标签。——分类、回归非监督学习：只提供数据，不提供标签。半监督学习强化学习：尝试各种手段，自己去适应环境和规则。总结经验利用反馈，不断提高算法质量遗传算法：淘汰弱者，留下强者，进行繁衍和变异穿产生更好的算法。二、选择机器学习算法和数据集 sklearn中有很多真实的数据集可以引入，也可以根据自己的需求自动生成多种数据集。对于数据集可以对其进行归一
转载
2023-10-17 23:26:51
130阅读
半监督学习：综合利用有类标的数据和没有类标的数据，来生成合适的分类函数。它是一类可以自动地利用未标记的数据来提升学习性能的算法。一、LabelPropagation和LabelSpreading（1）标记传播算法：优点：概念清晰缺点：存储开销大，难以直接处理大规模数据；而且对于新的样本加入，需要对原图重构并进行标记传播（2）迭代式标记传播算法：输入：有标记样本集Dl，未标记样本集Du，构图参数δ，
转载
2023-09-05 13:37:20
118阅读
【翻译自： Semi-Supervised Learning With Label Propagation】 【说明：Jason Brownlee PhD大神的文章个人很喜欢，所以闲暇时间里会做一点翻译和学习实践的工作，这里是相应工作的实践记录，希望能帮到有需要的人！】  
转载
2024-04-10 13:45:57
75阅读
半监督学习：综合利用有类标的数据和没有类标的数据，来生成合适的分类函数。它是一类可以自动地利用未标记的数据来提升学习性能的算法1、生成式半监督学习 优点：方法简单，容易实现。通常在有标记数据极少时，生成式半监督学习方法比其他方法性能更好 缺点：假设的生成式模型必须与真实数据分布吻合。如果不吻合则可能效果很差。而如何给出与真实数据分布吻合的生成式模型，这就需要对问题领域的充分了解2、图半监督
转载
2023-08-17 16:24:39
110阅读
半监督： 半监督学习是指监督学习与无监督学习的结合，是在含有少量被标记数据的情况下,利用大量未标记图像进行无监督学习从而改善监督学习的性能。半监督GAN用于分类的步骤： 将GAN中判别器的输出层替换成softmax分类器，假设训练数据有C类，则softmax输出C+1类，多一个生成器生成的伪图像的概率。由于判断真伪图像的任务是无监督的，因此我们可以利用到大量的未标注样本来进行训练。 训练时将未标注
转载
2024-04-26 09:12:15
34阅读
本文主要介绍如何在tensorflow上仅使用200个带标签的mnist图像，实现在一万张测试图片上99%的测试精度，原理在于使用GAN做半监督学习。前文主要介绍一些原理部分，后文详细介绍代码及其实现原理。前文介绍比较简单，有基础的同学请掠过直接看第二部分，文章末尾给出了代码GitHub链接。 监督，无监督，半监督学习介绍 在正式介绍实现半监督学习之前，我在这里首先介绍一
转载
2024-08-12 10:32:27
72阅读
1、监督学习（supervised learning）训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签，即生成合适的函数将输入映射到输出。2、无监督学习（unsupervised learning）训练样本的标记信息未知，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数
转载
2024-06-15 19:06:38
121阅读
半监督文本分类的优势：可以减少数据的标注，节省人力成本。项目流程：1.数据预处理:1).生成字的字典：加载所有训练数据，统计词频，统计每个字在各个文本中出现的文本数量n，取n大于1的字，再根据词频大小排序，取前6000个字，并保存。2）.生成训练数据：训练数据分为语言模型的训练数据和分类模型的训练数据。 语言模型训练数据的封装：遍历有标签和无标
转载
2024-10-24 13:57:17
10阅读
半监督节点分类：标签传播和消息传递半监督节点分类问题的常见解决方法：特征工程图嵌入表示学习标签传播图神经网络基于“物以类聚，人以群分”的Homophily假设，讲解了Label Propagation、Relational Classification（标签传播）、Iterative Classification、Correct & Smooth（C & S）、Loopy Beli
转载
2024-04-25 21:41:15
37阅读
Paper：PREDICT THEN PROPAGATE: GRAPH NEURAL NETWORKS MEET PERSONALIZED PAGERANK关键词：PageRank ，PPNP ，APPNP，图卷积神经网络1. Motivation最近在图上进行半监督分类的神经信息传递算法取得了巨大的成功。但是，为了对节点进行分类，这些方法仅考虑距离传播步骤不远的节点，并且所利用的邻
转载
2023-11-23 14:30:28
144阅读
翻译 | 王柯凝出品 | Python大本营（ID：pythonnews）【导读】对于人工智能和机器学习来说，目前有很多种可以实
转载
2023-12-20 16:47:56
39阅读
