机器学习（周志华）_第十三章 半监督学习

最新推荐文章于 2025-07-21 18:36:41 发布
原创 最新推荐文章于 2025-07-21 18:36:41 发布 · 1.1k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

该博客围绕机器学习中的半监督学习展开。半监督学习是信息技术领域机器学习的重要分支，在数据利用等方面有独特优势，能结合少量有标签数据和大量无标签数据进行学习。
周志华机器学习西瓜书 第七章 贝叶斯分类器-学习笔记(超详细)
Sodas的博客
02-26 1168
缺点也是显然的：如果数据量较大，拉普拉斯修正可能会引入过多的平滑，导致概率估计不够准确、对于某些特定问题，可能需要调整平滑参数（如加的常数不一定是1）、而且拉普拉斯修正实际上是假定了属性与类别的均匀分布，这是额外引入的偏差，因为本身可能本身不是均匀的，所以这个要注意，实际问题是否是均匀的，若是不均匀可以调整所加的常数，调整偏差。是主观的，只是随着新证据的发现去不断的更新对概率的"信念值"。"，即频率 主义认为概率是"事件"，在大量重复性实验中所发生的频率，就会逼近真实的概率，涉及到极限的概念，是客观的。
机器学习（周志华） 第十三章半监督学习
YJY131248的博客
04-09 1733
关于周志华老师的《机器学习》这本书的学习笔记 记录学习过程 本博客记录Chapter13
机器学习理论 | 周志华西瓜书 第十三章：半监督学习
Tinky2013的博客
04-04 1129
第十三章 半监督学习 此系列文章旨在提炼周志华《机器学习》的核心要点，不断完善中… 13.1 未标记样本 1、一些概念 主动学习(active learning)：使用尽量少的query获得经良好的性能 半监督学习(semi-supervised learning)：让学习器不依赖外界交互，自动利用未标记样本来提升学习性能 2、一些假设 聚类假设(cluster assumption)：假设数据...
【周志华机器学习】十三、半监督学习
weixin_42301220的博客
04-10 4275
文章目录参考资料1. 未标记样本1.1 主动学习1.2 常见假设1.3 半监督学习划分2. 生成式方法3. 半监督SVM4. 基于分歧的方法5. 半监督聚类5.1 Constrained k-means5.2 少量有标记样本 参考资料 Machine-learning-learning-notes LeeML-Notes ML-NLP 本博客是根据周志华的西瓜书和参考资料1、2、3所做的笔记，主要用于学习，非技术类博客，因此存在大量复制粘贴，请见谅。 如果本篇博客有后记部分，则该部分表示的是在书本原
【机器学习-周志华】学习笔记-第十三章
vircorns的博客
09-02 728
周志华《机器学习》第十三掌笔记
读书笔记-《机器学习》第十三章：半监督学习
L.Z.的博客
11-21 1061
目的：利用未标记样本所包含的信息，提高模型泛化能力 主动学习：与外界进行有效次的交互，降低标记成本。使用尽量少的“查询”来获的尽量好的性能 半监督学习：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 纯半监督学习 直推学习 基本假设：相似的样本拥有相似的输出 聚类假设 流形假设 半监督学习的四大范型（分类） 生成式方法 半监督SVM 图半监督学习 ...
周志华《机器学习导论》第13章 半监督学习
最新发布
nju_spy的博客
07-21 1194
南京大学周志华院士《机器学习导论》第13章 半监督学习： 在监督与无监督之间，少量标记样本的情况下，如何相比纯监督学习充分利用无标记样本的分布特征，相比无监督学习利用少量的已知信息？对高斯混合分布、SVM、k-means进行一些修正和改进。建模图论节点、边权迭代的思想；多视图协同训练、互相学习的思想。
机器学习(周志华) 习题 参考答案 第十三章
nilgnaw的博客
12-04 3139
周志华《机器学习》西瓜书第十三章的习题答案较少，只找到了三篇，分别为链接一和链接二，这两篇文章有几乎所有题目的个人解答。第三个人只对部分题目进行了解答，相关链接将放在题目下方。 以下是个人对这章的习题的理解，如有问题，欢迎指正。其中第四题和第五题网上答案较多，不再重复。 13.1试推导出式(13.5)~(13.8)。 见链接三这个答案解答的已经非常好了。 13.2试基于朴素贝叶斯模型推导出生成式半监督学习算法。 链接三 上述链接中的答案，在前面分析的都没有疑问，但是最后求解时，感觉没有体现EM算法的M步，只
周志华西瓜书《机器学习》习题提示——第13章
qiy_icbc的博客
07-24 407
周志华西瓜书《机器学习》习题提示——第13章
周志华《Machine Learning》学习笔记（15）--半监督学习
Geek
08-02 816
上篇主要介绍了机器学习的理论基础，首先从独立同分布引入泛化误差与经验误差，接着介绍了PAC可学习的基本概念，即以较大的概率学习出与目标概念近似的假设（泛化误差满足预设上限），对于有限假设空间：（1）可分情形时，假设空间都是PAC可学习的，即当样本满足一定的数量之后，总是可以在与训练集一致的假设中找出目标概念的近似；（2）不可分情形时，假设空间都是不可知PAC可学习的，即以较大概率学习出与当前假设空...
电子科大最新《深度半监督学习》综述论文（2021版）
03-06
深度半监督学习是一个快速发展的领域，具有一系列的实际应用。本文从模型设计和无监督损失函数的角度对深度半监督学习方法的基本原理和最新进展进行了全面的综述。
半监督学习综述(a survey of semi-supervised learning)
11-28
一篇数据挖掘课的作业论文。 关于半监督学习方面的综述性文章。 所参考文献在2009年以前。 目前这方面的中文文献相对较少，希望我的这篇作业能对有兴趣做这方面研究的朋友有所帮助，其中错误之处还请大家多多指出。
周志华《Machine Learning》学习笔记(15)--半监督学习
qq_42294928的博客
09-20 330
上篇主要介绍了机器学习的理论基础，首先从独立同分布引入泛化误差与经验误差，接着介绍了PAC可学习的基本概念，即以较大的概率学习出与目标概念近似的假设（泛化误差满足预设上限），对于有限假设空间：（1）可分情形时，假设空间都是PAC可学习的，即当样本满足一定的数量之后，总是可以在与训练集一致的假设中找出目标概念的近似；（2）不可分情形时，假设空间都是不可知PAC可学习的，即以较大概率学习出与当前假设空间中泛化误差最小的假设的有效近似（Hoeffding不等式）。对于无限假设空间，通过增长函数与VC维来描述其复杂
半监督学习——基于机器学习_周志华
Bright20040513的博客
09-18 305
**主动学习需要与外界进行交互/查询/打标，其本质上仍然属于一种监督学习**。事实上，无标记样本虽未包含标记信息，但它们与有标记样本一样都是从总体中独立同分布采样得到，因此**它们所包含的数据分布信息对学习器的训练大有裨益**。如何让学习过程不依赖外界的咨询交互，自动利用未标记样本所包含的分布信息的方法便是**半监督学习**（semi-supervised learning），**即训练集同时包含有标记样本数据和未标记样本数据**。
机器学习（MACHINE LEARNING） 【周志华版-”西瓜书“-笔记】 DAY13-半监督学习
NJU phd 在读。
02-17 889
13.1 未标记样本 先说两个概念： 1）有标记样本（Labeled） 训练样本集Dl={(x1,y1), (x2,y2),…, (xl,yl)}，这l个样本的类别标记已知。 2）未标记样本（unlabeled） 训练样本集Du={xl+1, x l+2,…, xl+u}，u远大于l，这u个样本的类别标记未知。 监督学习技术是基于有标记样本Dl的训练来构建模型，未标记样本Du所包含的信息未被利用；...
西瓜书 第13章 半监督学习
weixin_43763859的博客
08-22 655
本章思维导图
半监督学习入门——《机器学习》周志华—第十三章
qwq_xcyyy的博客
07-17 927
半监督学习入门——《机器学习》周志华—第十三章13.1未标注样本13.2生成式方法13.3半监督SVM13.4图半监督学习13.5基于分歧的方法13.6半监督聚类生成一个适合你的列表创建一个自定义列表注释也是必不可少的引用 13.1未标注样本 半监督学习 描述 概念 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 分类 纯半监督学习和直推学习 Q：如何利用未标记样本？ A：做一些将未标记样本所揭示的数据分布信息与类别标记相联系的假设，如聚类假设和流式假设（相似的样本拥有相
《机器学习》学习笔记（十三）—半监督学习
时光机的学习博客
04-30 2593
半监督学习与监督学习 监督学习中的样本中的是已知的，所以监督学习算法可以在训练集数据中充分使用数据的信息 ——————————————————————— 半监督学习的样本中只有R个样本的是已知，U个样本的未知，且通常U远大于R —Transductive learning ：将未知标签的数据作为测试集数据 —Inductive learning：未知标签的数据不作为测试集数据 在实际生活中，...
监督学习与无监督学习（机器学习笔记一）
weixin_43008870的博客
03-01 658
文章目录前言 前言 最近在网易云课堂上学习吴恩达老师的机器学习课程。吴老师的课讲的通俗易懂、深入浅出，令我获益良多，在这里记录一下学习过程的一些知识点和个人理解，欢迎各位童鞋一起交流。这一节主要介绍第一章绪论中的内容。 一、应用领域 机器学习是人工智能的一个重要分支，目前主要的应用方向包括以下四类： 1、数据挖掘 互联网和自动化发展过程中产生了大量数据，例如网络浏览数据、医疗数据等，机器学习提供了...
机器学习周志华第四章
02-14
周志华编著的《机器学习》第四章主要聚焦于决策树这一重要的监督学习方法[^3]。该章节深入探讨了决策树的学习过程及其应用，具体涵盖了以下几个方面： #### 1. 决策树简介 介绍了决策树作为一种基本分类工具的概念...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值