半监督学习基础知识

半监督学习算法

第一种：无标签数据预训练，有标签数据微调

预先用所有数据逐层重构预训练，对网络的每一层进行重构自编码，得到参数后用有标签数据 微调（有标签数据是验证集来进行调整 ）

重构自编码

自编码：是一种无监督学习模型，它令每个样本的数据是它本身，自编码相当于自己生成标签，而且标签是样本本身。
自编码器能从数据样本中进行无监督学习，这意味着可将这个算法应用到某个数据集中，来取得良好的性能，且不需要任何新的特征工程，只需要适当地训练数据。

第二种：利用从网络中得到的深度特征来做半监督算法

先用有标签数据训练得到一个网络模型，在让无标签数据送入网络中，以分类概率类别最高的作为数据的标签，然后再将无标签数据和有标签数据一起再网络模型中训练，如此循环，从而得到一个较好的模型。
但是再实际应用中，这种效果往往比较差，因为极易出现错误的标签，因为再前面训练中只有一部分有标签数据，所以容易产生过拟合问题，对无标签数据进行生成标签的时候，肯定会参杂着很多错误的标签，如果让错误的标签参与训练，那么就会学习到一些错误的参数。

第三种：让网络自身进行半监督学习

这一种用的比较多，接下来通过论文来讲解这中算法：
1、为什么半监督学习适用于医疗呢？