@参考Python机器学习基础教程Chapter 02 监督学习1. 分类与回归监督机器学习问题主要有两种，分别叫做分类（classification）与回归（regression）。2. 泛化、过拟合与欠拟合泛化：一个模型能够对没见过的数据做出准确预测，我们称之能够从训练集泛化到测试集。构建一个泛化精度尽可能高的模型 过拟合：使用非常精准的特征描述，对测试集非常准确预测，但对新的数据无法进行准确
转载
2024-10-23 12:22:04
36阅读
监督（supervised）= 标签（label），是否有监督，就是输入数据（input）是否有标签，有标签则为有监督学习，没标签则为无监督学习。至于半监督学习，就是一半（一点点）数据有标签，一半（极其巨大）数据没标签。——简单一句话答案。首先从学习（learn）这个概念开始解释，所谓学习，就是闻一知十。（正经回答在最后）例如学数学，小学老师会先给大量训练，让人学会解题方法。之后面对考试的时候出现
转载
2023-12-23 20:10:03
224阅读
一，深度学习基础1. 了解常见的四个机器学习方法监督学习、无监督学习、半监督学习、强化学习是我们日常接触到的常见的四个机器学习方法：监督学习：通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出。无监督学习：它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接
转载
2023-10-02 19:36:11
223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
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
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
传统的机器学习技术分为两类，一类是无监督学习，一类是监督学习。无监督学习只利用未标记的样本集，而监督学习则只利用标记的样本集进行学习。但在很多实际问题中，只有少量的带有标记的数据，因为对数据进行标记的代价有时很高，比如在生物学中，对某种蛋白质的结构分析或者功能鉴定，可能会花上生物学家很多年的工作，而大量的未标记的数据却很容易得到。这就促使能同时利用标记样本和未标记样本的半监督学习技术迅速发展起来。
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
监督、半监督、无监督、自监督学习方法之间的区别概念辨别监督学习（Supervised Learning）：利用大量的标注数据来训练模型，模型最终学习到输入和输出标签之间的相关性；半监督学习（Semi-supervised Learning）：利用少量有标签的数据和大量无标签的数据来训练网络；无监督学习（Unsupervised Learning）：不依赖任何标签值，通过对数据内在特征的挖掘，找到样
转载
2023-10-12 16:04:28
109阅读
半监督生成对抗网络（SGAN）半监督生成对抗网络（Semi-Supervised GAN，SGAN）是一种生成对抗网络，其鉴别器是多分类器。这里的鉴别器不只是区分两个类（真和假），而是学会区分N+1类，其中N是训练数据集中的类数，生成器生成的伪样本增加了一个类。结构区别与传统GAN相比，SGAN区分多个类的任务不仅影响了鉴别器本身，还增加了SGAN架构、训练过程和训练目标的复杂性。SGAN生成器的
转载
2024-03-19 11:47:53
167阅读
# 理解半监督学习与PyTorch实现
## 引言
在机器学习领域，数据标注常常是一个耗时且昂贵的过程。半监督学习作为一种结合了有标签与无标签数据的方法，近年来越来越受到研究者和开发者的关注。本文将介绍半监督学习的基本概念，并通过一个简单的PyTorch示例来实现这一方法。
## 半监督学习的定义
半监督学习是利用部分有标签（labeled）数据和大量无标签（unlabeled）数据进行训
原创
2024-10-12 05:56:01
109阅读
# 半监督聚类：Python 实现与实例
随着数据科学和人工智能的快速发展，聚类分析成为了数据分析中的一项重要技术。聚类方法的种类繁多，其中半监督聚类是一种新兴的聚类策略，它结合了有标签数据和无标签数据的特征，能够在获取更好聚类效果的同时减少人工标注的工作量。本文将介绍半监督聚类的基本概念，并通过Python代码示例来阐述其应用。
## 半监督聚类的基本概念
聚类是将数据集分成若干个相似的组
原创
2024-08-12 03:59:54
102阅读
第四章，机器学习基础 二分类，多分类，标量回归都属于监督学习的例子。机器学习四大分支： 监督学习：学会将输入数据映射到已知目标，也叫做标注。 监督学习变体：序列生成，语法树
今天我将解读一篇非常经典的文章《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》。这篇论文提出了一种半监督图卷积算法，利用图的拓扑结构和节点的side informaton进行标签分类，效果较传统算法有了明显提升。这篇论文已经有很多博客有非常详细的介绍，我对这篇论文的解读主要聚焦在对算法原理的深入理解上，希望给大家带
1.《Semi-Supervised Classification with Graph Convolutional Networks》 作者提出了一种可扩展的方法，用于图形结构数据的半监督学习，该网络是传统卷积算法在图结构数据上的一个变体，可以直接用于处理图结构数据，通过谱图卷积的局部一阶近似来激励卷积结构。模型在图形边缘的数量上进行线性缩放，并学习隐藏层表示，编码图形结构和节点的特征。2 图作
转载
2024-01-10 14:38:19
79阅读
# 如何实现 Python 半监督学习
半监督学习是介于监督学习和无监督学习之间的学习方法，适合于有少量标记数据和大量未标记数据的场景。本文将为你详细介绍如何在 Python 中实现半监督学习的方法和步骤。
## 整体流程
下面是实现半监督学习的整体步骤：
| 步骤 | 描述 |
| ---- | ---- |
| 1 | 准备数据集 |
| 2 | 数据预处理 |
| 3
原创
2024-10-19 04:48:37
36阅读
Semi-Supervised Learning半监督学习（二） 介绍 在上篇文章中我们介绍了关于统计机器学习和半监督学习的一些基本概念。在这篇文章中，我们仍着重带读者更深入地了解半监督学习基础，了解半监督学习的常用方法，模型假设，并且通过实例带读者去理解半监督学习的过程。难度依然较基础，但是相信读完这篇文章，你会对半监督学习是什么有完整的把握。半监督学习方
转载
2023-07-04 20:26:50
300阅读
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
经典网络笔记(pytorch)一. 深度学习基本知识1.1 深度学习分类深度学习分为监督学习,无监督学习，半监督学习和强化学习。其中监督学习是通过已有的训练样本去训练得到一个最优的模型，这个模型会将所有的输入映射为输出。无监督学习他与监督学习是完全不同的两个东西，它是在我们之前没有任何的训练样本，而直接对数据进行建模分类。半监督学习是在训练过程中结合了大量大量的未标记的数据和少量的标记数据，和使用
转载
2023-10-20 17:15:59
79阅读
