半监督学习总结

半监督学习：

部分样本有标记，但是大部分样本无标记

解决办法：

主动学习+专家知识

Or

半监督学习

半监督学习 应用需求非常强烈，因为大量数据都是未标记的，标记成本高

半监督学习的基本假设：

聚类假设：即假设数据存在簇结构

Or 流形假设

 

半监督学习方法：

一、生成式方法：

假设存在潜在模型，未标记的分类时缺失的参数，通过EM算法的极大似然估计求解

——假设的模型是关键

二、半监督SVM

对于SVM，试图找到最大间隔划分超平面

半监督SVM——低密度分隔

考虑未标记样本，S3VM,试图找到能够将两类有标记的样本分开，并且穿过数据的低密度区域的划分超平面！

TSVM

思想：对未标记样本，穷举指派分类，尝试对所有的情况训练训练一个间隔最大化的划分超平面！一旦超平面确定，最终的指派的分类就是预测结果

——穷举效率太低

——启发式方法：

——1）先利用已标记样本训练一个分类器，对未标记样本分类，然后问题变成了标准SVM问，即可求得分离超平面和松弛因子

——2）然后在指派的样本中选择可能指派不准确的交换，不断迭代，直到训练的参数效果满足要求

三、半监督聚类

利