机器学习之监督学习-回归一、机器学习算法分类有监督学习：分类回归半监督学习：分类回归无监督学习：聚类降维强化学习：马尔可夫决策过程动态规划参考网址：http://qing0991.blog.51cto.com/1640542/1851981二、线性回归一个案例：对连续型数据做出的预测属于回归问题。例如人们买房的时候，在知道房屋面积 和卧室的数量 的情况下，怎么推测得知房屋的价格 呢。通过一组
转载
2024-03-31 08:38:51
59阅读
文章目录1.5机器学习算法分类1 监督学习1.1 回归问题1.2分类问题2 无监督学习3 半监督学习4 强化学习拓展阅读独立同分布lD（independent and identically distributed）5 小结 1.5机器学习算法分类学习目标了解机器学习常用算法的分类根据数据集组成不同，可以把机器学习算法分为：监督学习其无监督学习半监督学习强化学习1 监督学习定义：
输入数据
转载
2024-03-28 21:26:00
99阅读
# 半监督回归实现流程
## 简介
在机器学习中，**监督学习**是指通过已有的带标签数据进行训练，然后使用这些训练好的模型对新的未知样本进行预测。而**半监督学习**则是一种介于监督学习和无监督学习之间的学习方式。它同时利用带标签数据和未标签数据进行训练，以提高模型的表现能力。
本文将介绍如何使用Python实现半监督回归。半监督回归是一种用于预测连续数值的半监督学习方法。
## 实现步骤
原创
2023-09-05 03:43:19
310阅读
Semi-Supervised Learning半监督学习（三） 方法介绍 Mixture Models & EM 无标签数据告诉我们所有类的实例混和在一起是如何分布的，如果我
转载
2024-07-29 22:14:17
40阅读
分类模型如下： 回归问题：学习的结果是连续的，比如房价等等分类问题：学习的结果是非连续的，分成某几个类梯度下降例子： ：条件：对于输入X有n个特征值。X = {x1,x2,x3,x4,.......,xn}一共有m组输入。X1,X2,......,Xm结果：根据给出的数据得到函数hθ(x)，关于θ的一个函数假设：J(θ)主要用来描述该方程在样本点的逼近程度特点： 都具有局部最小值最后的结果并不一定
转载
2024-05-23 20:50:20
14阅读
摘要：本文提出了一种针对文字识别的多模态半监督方法，具体来说，作者首先使用teacher-student网络进行半监督学习，然后在视觉、语义以及视觉和语义的融合特征上，都进行了一致性约束。
作者： Hint 。摘要直到最近，公开的真实场景文本图像的数量仍然不足以训练场景文本识别器。因此，当前大多数的训练方法都依赖于合成数据并以全监督的方式运行。然而，最近公开的真实场景文本图像的数量显着增加
转载
2024-09-28 15:32:59
42阅读
最近在学习半监督学习方面的内容，一开始便遇到了这么几个概念：主动学习(active learning)、半监督学习(semi-supervised learning)和直推学习(transductive learning)。想必刚开始大家都觉得有点迷糊，下面就让我来详细把它们之间的联系与区别讲述一下，相信读完大家一定会思路清晰，至少在概念上不会再搞错了。 什么是主动学习？ 主动学习指的是这样
转载
2024-05-08 16:40:39
68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
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
文章目录1. 生成式方法2. 半监督SVM(Semi-Supervised Support Vector Machine, S3VM)3. 图半监督学习3.1 针对于二分类问题的标记传播3.2 针对于多分类问题的标记传播4. 基于分歧的方法5. 半监督聚类(Semi-supervised clustering)5.1 约束K均值算法(Constrainted k-means)5.2 约束种子k均
转载
2024-08-23 06:42:39
106阅读
机器学习分类和回归问题监督学习问题主要可以划分为两类，即 分类问题 和 回归问题分类问题预测数据属于哪一类别。 —— 离散 回归问题根据数据预测一个数值。 —— 连续通俗地讲，分类问题就是预测数据属于哪一种类型，就像上面的房屋出售预测，通过大量数据训练模型，然后去预测某个给定房屋能不能出售出去，属于能够出售类型还是不能出售类型。回归问题就是预测一个数值，比如给出房屋一些特征，预测房价1. 分类问题
转载
2024-09-28 23:38:50
25阅读
非参数回归模型对回归函数f()的具体形式不做任何假定或是只做一些简单的光滑性要求，依靠观测数据寻求f()的特征非参数光滑方法权函数估计基于局部加权的思想，利用周围的点拟合某点处回归函数的值。 假设要估计对应的，对应的权函数为，则加权估计为： 常用的包括核估计方法、局部多项式估计方法最小二乘法利用参数空间逼近无穷维参数空间，基于不同的逼近思想构造参数空间的基函数，将未知函数（无穷维参数）的估计问题转
转载
2024-09-06 09:30:52
139阅读
这篇博客介绍的是一篇用于半监督回归问题的方法：Semisupervised Regression withCotraining-Style Algorithms。 这是周志华老师在2007年较早的一篇文章，其特点在于，大多数半监督的算法都是用于分类问题的，而Coreg则以相对较简单的方式实现了半监督的回归。关于半监督学习基于分歧的半监督学习方法基于图的半监督学习方法这些博客都提供了算法的讲解和py
转载
2024-01-05 19:16:52
140阅读
1、生成模型算法（Generate semi-supervised models）思想如下：假设一个模型，其分布满足：p(x ,y)=p(y) p(x | y)。其中，p(x | y)是已知的条件概率分布。那么大量未经标记数据的联合分布就可以被确定。生成模型算法的流程图如下。半监督学习方法可以对同时含有已标记的和未标记的数据集进行聚类，然后通过聚类结果中，每一类中所含有的任何一个已标记数据实例来确
转载
2024-05-06 22:05:16
96阅读
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
本文主要参考2000年的Snowball提出论文半监督学习又称弱监督学习，利用模型的假设，对少量的数据进行标注（freebase），在不足的条件下提高模型在标记样本中的泛化能力，未标记的数据为Corpus text。在论述Snowball之前，先看Boost strap,他是介于监督学习和半监督学习的算法。1 Boost strap根据已知的标记数据seed库，生成规则。在利用该规则在text中进
第5章 特征抽取5.1 无监督特征抽取请参考《数据准备和特征工程》中的相关章节，调试如下代码。 本节视频课程：无监督特征抽取5.1.1 主成分分析基础知识from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
X[: 4]array([[5.1, 3.5, 1.4, 0.2],
[4.9, 3.
文章目录1 背景1.1 基本背景介绍1.2 基本假设2 问题描述2.1 主动学习与半监督学习【使用了未标记数据的学习划分为两种】3 方法介绍3.1 混合模型与EM算法（最大期望算法）3.1.1 GMM的引入单高斯模型（GSM）3.1.2 Gaussian mixture model(GMM)【生成式模型】3.1.3 估计单高斯分布的
转载
2023-12-04 16:46:51
380阅读
上次我介绍了分类器的使用方法，这次我来介绍一下聚类算法。聚类算法在数据挖掘里面被称之为无监督学习（unsupervised learning），这是与分类算法（supervised learning）相对的。在它们两者之间还一种叫做半监督学习（semi-supervised learning）这个我会在后面的文章中重点介绍。所谓无监督学习就是在预先不知道样本类别的情况下，由聚类算法来判别样本的类别
任务通过输入的sin曲线与预测出对应的cos曲线#初始加载包 和定义参数
import torch
from torch import nn
import numpy as np
import matplotlib.pyplot as plt
torch.manual_seed(1) #为了可复现
#超参数设定
TIME_SETP=10
INPUT_SIZE=1
LR=0.02
DOWNLo
转载
2023-08-12 12:40:47
70阅读
