第13章 半监督学习13.1 未标记样本有标记样本：样本的类别标记已知未标记样本：样本的类别标记未知主动学习的目标是 使用尽量少的查询来获得尽量号的性能半监督学习(semi-supervised learning)：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聚类假设(cluster assumption)：假设数据存在簇结构，同一簇的样本属于同一类别流形假设(manifold as
转载
2024-07-16 10:05:26
33阅读
本篇主要介绍机器学习的主要方式，和算法！机器学习方式机器学习方式可以分为如下几类：* 半监督学习
* 强化学习
* * 监督学习
+ 分类
+ 回归
* 无监督学习
+ 聚类
+ 降维
# 监督
# 无监督
# 半监督
# 强化简版常用算法# 回归算法 --- 掌握
# 正则化算法 --- 掌握
# KNN(基于实例) --- 掌握
# 决策树 --
转载
2024-05-10 14:48:47
113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
目前主流的哈希算法主要分为有监督哈希算法、半 监督哈希算法和无监督哈希算法。其中，有监督或半监 督的哈希算法在学习过程中，使用监督信息以提高哈希 算法的质量，如监督的核哈希(Kernel-based Supervised Hashing，KSH)、深 度 监 督 哈 希(DSH)、半 监 督 哈 希 算法(Semi-Supervised Hashing，SSH)等，无监督的哈希算法则使用无标签的数
转载
2024-05-15 10:32:33
20阅读
机器学习作为人工智能的重要分支，同时也是数据挖掘中不可或缺的算法支撑。本人接触时间不短，但研究尚浅。我计划用python来实现机器学习中较为常见的算法。看透了自己，便无须小看别人。 (老舍)机器学习机器学习是一类算法的总称，可以分为监督学习和无监督学习。半监督学习是结合监督学习与无监督学习的一种机器学习方法，成为近几年的研究热点。这些算法试图从大量历史数据中挖掘出其中隐含的规律，并用于预测或分类。
http://blog.sina.com.cn/s/blog_627a4f560100xmj1.html在机器学习(Machine learning)领域，监督学习(Supervised learning)、非监督学习(Unsupervised learning)以及半监督学习(Semi-supervised learning)是三类研究比较多，应用比较广的学习技术，wiki上对这三种学习的简单描
转载
2023-12-13 21:03:05
47阅读
文章目录1. 相关理论概述2. 算法概述3. 算法流程 1. 相关理论概述Temporal Ensembling方法通过预测的标签的EMA（exponential moving average），并且通过保证ensemle 模型和 trained模型预测标签的连续一致性，从而保证训练得到的ensemle模型尽可能的接近groud truth模型。这里可以理解为，如果如果模型是正确的，那么前后两个
转载
2023-09-04 16:18:16
241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
本文主要就是随便谈谈自身对半监督算法的理解，这里主要谈半监督分类。首先是为什么使用半监督学习算法？一般而言，当训练数据量过少时，监督学习得到的模型效果不能满足需求，因此用半监督学习来增强效果。训练样本少，会导致两个问题，一方面是样本的分布不能真正代表真实数据的分布特征，另一方面是数据量过少不能满足训练学习的要求，“只能remember，不能learn”。这两个原因都会导致训练数据得到的模型会出现不
转载
2023-08-30 08:54:41
52阅读
# Python深度学习中有监督加半监督模型的实现指南
随着深度学习的快速发展，用于分类和回归的有监督学习方法已经取得了显著的进展。然而，现实中训练数据往往不充足，因此引入半监督学习的方法受到了越来越多的关注。本文将会详细介绍如何在Python中实现有监督与半监督模型的结合。
## 流程概览
在实现这个模型之前，我们需要明确整个流程。以下是简单的步骤总结：
| 步骤 | 操作
1 前言 以往的联邦学习工作往往仅专注于对监督学习任务的研究，即要求所有的数据都必须包含相应的标签。但是，在现实场景中，考虑到大数据量标注任务所需要的人力和物力开销是非常大的，因此本地客户端所包含的数据常常大部分甚至全部都是没有相应标签信息的。为了解决上述问题，大量新的学习范式应运而生。这其中，半监督学习作为一种解决标签数据量小问题的有效方法，被广大机器学习研究者所偏爱。本博客将从联邦
转载
2023-11-29 11:02:18
177阅读
前言在这算是开个坑，之后会陆续介绍弱监督学习大领域下半监督学习近年来的经典方法。为后续研究学习提供思路1.半监督学习1.1什么是半监督学习半监督学习介于监督学习与无监督学习之间。一般而言，半监督学习的任务与监督学习一致，任务中包含有明确的目标，如分类。而所采用的数据既包括有标签的数据，也包括无标签的数据。简单理解，可以认为半监督学习就是同时运用了标签数据和无标签数据来进行训练的监督学习。当然，在另
转载
2024-09-29 20:52:30
278阅读
# 使用 Python 实现半监督学习算法的指南
半监督学习是一种结合了有标签和无标签数据的机器学习方法。与完全监督学习相比，半监督学习能够在较少的标记数据上获得更好的性能。本文将带你一步步实现一个简单的半监督学习算法。
## 流程概述
在开始之前，让我们先看一下实现半监督学习的步骤：
| 步骤 | 操作 |
|------|------|
| 1 | 数据准备：加载数据集并进行预处
目录生成式模型有监督生成式模型半监督生成式模型直观解释具体操作基本原理低密度分离假设Self TrainingSelf Training与generative model对比基于熵的正则化Entropy-based Regularization公式半监督SVM平滑假设图像识别文件分类聚类后标记Graph-based Approach图的建立相似度计算图的基本精神图的使用Better Represe
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
一个月前和实验室的伙伴们打了一个跨领域半监督依存句法分析的比赛，比赛成绩出乎意料，在封闭测试下是第一名。这也是我第一次接触半监督学习。最近师兄在写这个评测论文，我也在帮忙准备下实验数据。昨天师兄发现了一个极其简单的半监督方法论文，挺后悔这么简单当初没用上。今天就来说说这个很简单的论文。给还不了解的小伙伴普及下半监督和无监督哈：半监督semi-supervised半监督学习(Semi-Supervi
转载
2024-05-10 09:48:58
38阅读
机器学习应用分析–有监督算法-分类算法 ### 按学习方式分类：监督学习无监督学习半监督学习强化学习①监督学习数据集中的每个样本有相应的“正确答案”， 根据这些样本做出预测， 分有两类： 回归问题和分类问题。（ 1） 回归问题举例例如： 预测房价， 根据样本集拟合出一条连续曲线。（ 2） 分类问题举例例如： 根据肿瘤特征判断良性还是恶性，得到的是结果是“良性”或者“恶性”， 是离散的。监督学习：从
转载
2024-05-10 20:17:06
1013阅读
为了有一个普通的了解层面，写了这篇博客来记录，整理了简单与深度的资料，方便使用。 1.半监督学习基本思想：同时利用有标注数据和无标注数据学习传统办法有简单自训练、协同训练、半监督字典学习、标签传播算法、半监督支持向量机等
当下用的很多的有基于深度网络的算法Pseudo-Label : The Simple and Efficient Semi-Supervised Learning Me
概念有监督学习：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。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，为进一步的数据分析提供基础，此类学习任务中研究最多、应用最广的是"聚类" (clust
转载
2023-12-27 10:01:43
617阅读
《一种改进的图卷积网络半监督节点分类》 文章目录《一种改进的图卷积网络半监督节点分类》摘要：引言非欧几里得数据1 深度池化对偶图神经网络1.1 图卷积神经网络1.2 图池化和细化1.3 基于随机游走的卷积神经网络1 4 深度池化和随机游走协同训练实验 摘要：目前大多数图卷积( GCN) 关注于提取局部特征信息，忽略了全局特征，使得标签不能有效地传播到整个图上。对此，设计一种可以用于半监督节点分类任
转载
2024-09-14 13:13:19
83阅读
