监督学习
即使用标签数据(受监督的学习)和不加标签的数据(无监督的学习)。
在添加了不加标签的数据之后，我们的模型的决策边界变得更加准确。因此，使用不加标签数据的好处是:
1.被贴上标签的数据既昂贵又困难，而没有标签的数据则是充足而廉价的。
2.它通过更精确的决策边界来改进模型的鲁棒性。
现在，我们对半监督学习有了一个基本的了解。有多种不同的技术在应用着半监督学习，在本文中，我们将尝试理解一种称为伪标签的技术。
伪标签
第一步：使用标签数据训练模型
第二步：使用训练的模型为不加标签的数据预测标签
第三步：同时使用pseudo和标签数据集重新训练模型
在第三步中训练的最终模型用于对测试数据的最终预测。
采样率的依赖
为了找出样本率对伪标签性能的依赖，让我们在这两者之间画一个图。在这里，我只使用了两种算法来表示对时间约束（time constraint）的依赖，但你也可以尝试其他算法。
我们可以看到，rmse对于采样率的特定值来说是最小值，这对于算法来说是不同的。因此，对采样率进行调优是很重要的，以便在使用伪标签时获得更好的结果。
半监督学习的应用
在过去，半监督学习的应用数量有限，但目前在这一领域仍有很多工作要做。下面列出了一些我感兴趣的应用。
1.多模态半监督学习（Multimodal semi-supervised learning）图像分类
一般来说，在图像分类中，目标是对图像进行分类，无论它属于这个类别还是不属于类别。本文不仅利用图像进行建模，还利用半监督学习的方法来改进分类器，从而提高分类器的使用效果。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
