机器学习_miml多示例多标记算法

本文参考：miml 多示例多标记学习  周志华

多示例多标记的出现：真实的对象并不具有唯一的语义。简单来讲一个对象有不同的特征和属于不同的类别

多示例多标记的优点：先过吧，并没有直观的体会到。比如1对多并不是合式函数，从子概念出发更容易分类等。

算法：基于退化策略的miml学习算法(简单理解一下就是从复杂拆分到简单，退化为传统的监督学习问题）

策略一：首先退化为多示例，mimlboost算法

自己的理解；将多对多拆分，变为多对一（在上图自己想象一下，左边不动右边挑一个来拆分问题），而后拆为一对一

1.思路

n.问题

策略二；首先退化为多示例

理解：把上图中间的黑点看做z,那么z和y就够成了一对多，x和z用聚类来处理？？并不懂，再将一对多拆分为一对一

代码网站；http://lamda.nju.edu.cn/Data.ashx

MIBoosting
【1】boosting constructs an ensemble of so-call "weak" classifiers.

【2】在多示例的应用中，弱学习器是一个标准的单示例分类器

【3】最小化指数损失，最后用lod-odds函数衡量它属于哪个模型

【4】N是bag的数量，ni是第i个包的示例个数，xij表示第i个包的第j个示例。而类标签的分类为-1 or 1

【5】已知样本点（x，y），其中x是示例，而y是分类

【6】我们的目标是找一个分类器F(b),最小化指数函数：exp(-yF(b)) 最小。b是指一个x吧

【7】在每一次iteration中，目标是从F(b)扩张到F(b)+cf(b),f(b)为新增加的弱分类器

【8】符号，Ew为加权期望，E为普通的期望

【9】要找到最好的f(b),可以通过max  Ew（y*f(b)）,问题？？？弱分类器和y值的带权期望最大化来求？

【10】包级别的权重WB=损失函数。问题？？？权重用损失来表示么？？

【11】将f(b)定义为包内f(b)=∑h(xj)/n,xj是b包中的示例序号。

【12】现在我们求h(.);