读书笔记-《机器学习》第十三章：半监督学习

最新推荐文章于 2024-09-22 18:50:32 发布
原创 最新推荐文章于 2024-09-22 18:50:32 发布 · 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。

部署运行你感兴趣的模型镜像
  • 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
    • 基于分歧的方法
  • 半监督聚类

 

您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

Stable-Diffusion-3.5

图片生成
Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型，相比 3.0 版本，它提升了图像质量、运行速度和硬件效率

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
机器学习第13章（半监督学习）
jinhualun911的博客
10-02 540
13.1 未标记样本 如果有标记样本的个数太少，则由于训练不足，学得模型的泛化性能往往不见。 active learning主动学习，其目标是使用尽量少的query查询来获得较好的性能。 未标记样本虽然没有直接包含标记信息，但其来源也是和其他有标记样本一样，来自于独立同分布的采样。 13.2 生成式方法 Generative methods是直接基于生成式模型的方法，此类方法假设所有数据都是由一个潜在的模型生成的。 13.3 半监督SVM Semi-Supervised Support Vec
机器学习（周志华）_第十三章 半监督学习
liuyan20062010的专栏
05-24 1168
机器学习读书笔记：半监督学习
热门推荐
新兴IT民工的专栏
10-23 2万+
文章目录半监督学习生成式方法半监督SVM基于分歧的方法图半监督学习半监督聚类 半监督学习 ​ 在真实应用场景中，训练样本集的数目通常会很大。但是都是未标记数据，特别是在一些跨领域行业中，比如医疗，工业。对样本的分析都需要专业人才，甚至高精尖的人才来确定标记。而这些人肯定是不可能给你长时间的打标记的。那么半监督学习就是想利用小部分的标记数据，再加上大量未标记样本来进行推理和判断。之前描述的监督学习和无监督学习都无法满足要求，因此，一个新的思路就是——半监督学习。 ​ 半监督学习还分成几种形式： 利用小样本先
机器学习与深度学习系列连载： 第一部分 机器学习（十三）半监督学习（semi-supervised learning）
Doctor Wu的博客
10-03 2083
1
西瓜书学习笔记——第十三章：半监督学习
Andrewings
08-01 2517
13.半监督学习13.1 未标记样本13.2 生成式方式高斯混合生成式模型其他生成式模型13.3 半监督SVMTSVM半监督支持向量机13.4 基于分歧的方法13.5 半监督聚类约束k均值算法（必连勿连）约束种子k均值算法（少量有标记样本） 13.1 未标记样本 训练样本集D由有标记样本集DlD_lDl​和未标记样本集DuD_uDu​组成，若使用传统监督学习算法，则只能使用DlD_lDl​，DuD...
【第十三周】李宏毅机器学习笔记11：自监督学习
最新发布
qq_30043925的博客
09-22 1182
这周主要学习了自监督学习的概念，了解了 BERT 是如何实现自监督学习以及 BERT 为什么能够有效地完成任务。除此之外，还通过 BERT 的四个例子来理解怎样使用 BERT。最后了解了 Multi-lingual BERT 以及 GPT 的基本知识。BERT（Bidirectional Encoder Representations from Transformers）是一种由Google在2018年提出的自然语言处理预训练技术。
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》-学习笔记（9）：无监督学习技术
Morganfs的博客
05-09 1420
3万字长文，主要介绍聚类、无监督和半监督技术。
【机器学习西瓜书学习笔记——半监督学习】
m0_51148715的博客
08-13 980
SVM。
机器学习第十三章半监督学习
qq_38748148的博客
11-07 991
半监督学习 13.1 未标记样本 在实际生活中，常常会出现一部分样本有标记和较多样本无标记的情形。如何利用未标记样本数据呢？ 主动学习：从未标记样本中挑选不确定性高或分类置信度低的样本来咨询专家进行打标。最后使用扩充后的训练集重新训练学习器，这样便能大幅度降低标记成本，这便是主动学习，其目标是使用尽量少的，有价值的查询来获得更好的性能。 显然，主动学习需要与外界进行交互，其本质仍然属于一种监督学...
西瓜书读书笔记（十三）-半监督学习
scu-liu的博客
01-26 625
全部笔记的汇总贴：《机器学习》西瓜书-读书笔记汇总贴 一、未标记样本 半监督学习可进一步划分为纯半监督学习和直推学习。前者假定训练数据中的未标记样本并非带预测的数据，后者则是假定学习过程中所考虑的未标记样本恰是带预测数据，学习的目的就是在这些未标记样本上获得最优泛化性能。 二、生成式方法 生成式方法（generative methods）是直接基于生成式模型的方法。此类方法 假设所有数据（无论是否有标记）都是由同一个潜在的模型生成的。 三、半监督SVM 半监督支持向量机（Semi-Supervised Su
【吴恩达机器学习】第十三章
weixin_42200352的博客
12-07 188
第十三章 13-1无监督学习 无监督学习没有标签 13-2 聚类算法K-means K-means算法输入 聚类的点数：Ｋ 数据集 K-means算法步骤 簇分类 移动聚类中心 迭代 K-means也可以用来区分那种不是很明显得簇，比如下图 13-3 优化目标 Ci：表示为数据Xi目前属于目前簇的序号 μ K \mu ~K~μ K 表示的是簇中心 uci表示被分到哪个簇，比如之前的分成的红绿两组 优化函数如上图所示 簇分类是将目标函数中的μ K
周志华 《机器学习》之 第十三章（半监督学习）概念总结
不系之舟的专栏-QQ讨论群331590339
08-30 2485
在前面章节中接触到的大部分都是监督学习方法以及无监督学习方法（聚类），这章讲述的半监督学习，我个人理解，应该是存在一部分标记样本，但是又不足以训练出一个良好性能的学习器，因此采用将其它未标记样本加入其中进行训练，这样的学习称为半监督学习。 对半监督的理解可参阅http://blog.youkuaiyun.com/yhdzw/article/details/227333711、未标记样本2、生成式方法3、半监督
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
半监督学习的实践案例：人脸识别和表情识别
AI天才研究院
12-27 683
1.背景介绍 人脸识别和表情识别技术在现实生活中具有广泛的应用，例如人脸识别系统在安全监控、人脸付款等方面发挥着重要作用，而表情识别则在人机交互、情感分析等领域得到了广泛应用。然而，这些技术在实际应用中仍然面临着许多挑战，如数据不充足、数据质量差等。半监督学习提供了一种解决这些问题的方法，通过将有限的标注数据与大量的无标注数据结合使用，可以提高模型的准确性和泛化能力。 本文将从半监督学习的角度...
半监督学习的实践案例:图像分类与语音识别
AI天才研究院
12-30 1310
1.背景介绍 半监督学习是一种机器学习方法，它在训练数据中结合有标签的数据和无标签的数据进行学习。这种方法在许多实际应用中表现出色，尤其是在处理大规模数据集时，因为它可以有效地利用无标签数据来提高模型的准确性和泛化能力。在本文中，我们将通过两个实际案例来详细探讨半监督学习的原理、算法和应用。 第一个案例是图像分类，我们将介绍一种名为基于半监督学习的图像分类方法。图像分类是计算机视觉领域的一个重...
半监督学习的实践案例分析
AI天才研究院
12-27 1590
1.背景介绍 半监督学习是一种机器学习方法，它在训练数据集中存在有限的标签数据，而且大部分数据是未标签的。这种方法在处理大规模、高维、不均衡的数据集时具有很大的优势。在这篇文章中，我们将从以下几个方面进行深入探讨： 背景介绍 核心概念与联系 核心算法原理和具体操作步骤以及数学模型公式详细讲解 具体代码实例和详细解释说明 未来发展趋势与挑战 附录常见问题与解答 1.1 背景介绍 半监督学...
第十三章半监督学习笔记
weixin_41940752的博客
08-01 328
未标记样本 很多时候我们有大量数据的数据集Du，但是只有少部分有标记记作Dl，如果仅用这一部分有数据的，数据量太小。我们可以用 Dl 先训练一个模型，拿这个模型去挑一个未标记样本，询问其标签，然后把这个新获得的有标记样本加入 Dl 中重新训练一个模型，再去挑 下一个，这样，若每次都挑出对改善模型性能帮助大的样本，则只需询问比较少的样本标签就能构建出比较强的模型，从而大幅降低标记成本。这样的学习...
评论
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