PU learning 算法

最新推荐文章于 2025-02-13 14:00:25 发布
最新推荐文章于 2025-02-13 14:00:25 发布
阅读量3.6k 收藏 7
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 无监督/半监督
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。
本文链接：https://blog.youkuaiyun.com/qq_34554003/article/details/89815697
这篇博客介绍了PU Learning算法的背景和最新发展。作者在做毕设时发现过去一年中出现了几篇关于该算法的优质文章，提供了几个链接供读者参考。博客还概述了算法的基本原理，并提及了对原始paper的公式推导过程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一.背景介绍

原本是02年提出的一个算法，但是到去年8月份，关于PU learning 的博客介绍都很少（可参考性很差），前几天做毕设，忽然欣喜地发现这半年里陆续出现了几篇关于该算法的文章，挺不错，和大家分享一下。

1.去年我只找到了一篇ACM期刊的论文解析，有个博客介绍得很不错，文章思路通俗易懂，是很好的入门样例

https://www.cnblogs.com/DjangoBlog/p/9035342.html

2.去年之前的一个很古老的介绍，可能是最早的介绍，可参考性一般：

https://blog.youkuaiyun.com/wangyiqi806643897/article/details/46341189

2.几个新增的介绍，

https://blog.youkuaiyun.com/qq_28743951/article/details/82765769

https://blog.youkuaiyun.com/baidu_33516129/article/details/83039622

https://blog.youkuaiyun.com/quiet_girl/article/details/85259086

二.算法原理<

最低0.47元/天 解锁文章

200万优质内容无限畅学
机器学习—— PU-Learning算法
weixin_39753819的博客
03-31 4113
在本篇博客中，简单介绍了PU-Learning算法的基本概念、基本流程和基本方法，并简单讨论了Two-step PU Learning算法和无偏PU Learning算法的具体流程。通过示例代码，展示了如何用Python实现一个简单的PU-Learning分类器。PU-Learning是解决类别不平衡问题的有效方法，在实际应用中具有广泛的应用前景。
PU --- > 无偏PU learning简介
chencas的博客
07-05 7736
PU learning 背景 PU learning(positive-unlabeled learning)，即我们只有正样本和未标注的样本，以此进行分类学习。 其可在以下几个领域内应用： 检索 从大量无标注的样本中选取特定的样本，比如人脸标注 异常检测 包括inlier-based outlier 检测 序列数据检测 负样本的分布随着时间改变，这样传统的分类将不再适合，PU 只需要更新未标注...
正样本和无标签学习（PU Learning）：使用机器学习恢复数据的标签
AI公园
06-15 7110
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”作者：AaronWard编译：ronghuaiyang导读你有数据，但是标签并不可靠，你该怎么办？问题通常情况下，公司希望对给定...
PU learning算法简介
热门推荐
wangyiqi806643897的专栏
06-03 1万+
（1）问题描述 给定一个正例文档集合P和一个无标注文档集U（混合文档集），在无标注文档集中同时含有正例文档和反例文档。通过使用P和U建立一个分类器能够辨别U或测试集中的正例文档 【即想要精确分类U或测试集中的正例文档和反例文档】 应用： 从多个无标注集中学习 从不可靠的反例数据中学习 发现测试集中的突发文档 发现异常值  （2）理论
PU learning简介（附python代码）
anshuai_aw1的博客
04-23 1万+
一、引言 在现实生活中，有许多只有正样本和大量未标记样本的例子。这是因为负类样本的一些特点使得获取负样本较为困难。比如： 负类数据不易获取。 负类数据太过多样化。 负类数据动态变化。 举一个形象点的例子：比如在推荐系统里，只有用户点击的正样本，却没有显性负样本，我们不能因为用户没有点击这个样本就认为它是负样本，因为有可能这个样本的位置很偏，导致用户没有点。 因此，有研究人员开始关注PU Lea...
PU-Learning 原理介绍
weixin_42330675的博客
03-22 1万+
pulearning原理介绍
DCAI感知机算法——PU learning
weixin_60760661的博客
01-31 951
最近在学习DCAI，其中提到了PU learning，这个是从机器学习中的感知机算法推演过来的，这里就对其进行一个介绍和算法上的数学推导。
pu-learning-master.zip_PU Learning_learning python_pu learn_pu-l
09-25
6. **Python库**：在Python中，`pu-learn` 库是一个专门用于PU Learning的工具，它提供了多种PU Learning算法的实现，便于开发者快速搭建和实验。 在“pu-learning-master”这个压缩包中，可能包含的文件结构如下：...
pu_learning:积极的无标记学习实验
05-17
在"pu_learning-master"这个压缩包中，可能包含了一个或多个Jupyter Notebook文件，用于展示PU Learning的概念、算法实现以及实验结果。通过运行这些Notebook，我们可以直观地了解PU Learning的工作原理，以及如何在...
基于PU学习的关系预测方法
03-29
基于PU学习的关系预测方法
pu简单使用pu简单使用
10-23
pu简单使用
PU Learning-two stage approach(两阶段法)-S-EM
WenbinYao&YouweiHu
06-02 4431
最近遇到了一个问题，一堆数据集，但是只有正例标签（Positive)，没有负例标签（Negative),这样的话，如果想要直接训练学习是很难的，因为这相当于训练集各个class分布极不均匀，根本无法训练，这时就需要用到机器学习中的PU learning了，也就是positive-unlabeled learning。 PU learning有1种常见的解决思路——two stage approch...
PU learning半监督学习
zmm0628的博客
07-25 2116
半监督学习 Positive-unlabeled learning 什么是半监督学习 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，就是半监督学习（semi-supervised learning）。 要利用未标记样本，必然要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。假设的本质是“相似的样本拥有相似的输出”。 半监督学习可进一步划分为纯（pure）半监督学习和直推学习（transductive learning），前者假定训练数据中的未标记样本并非待测的数据， 而后者则假定
PU learning
bbbeoy的专栏
08-10 1808
一、背景介绍 现实生活许多例子只有正样本和大量未标记样本，这是因为获取负类样本较为困难、负类数据太过多样化且动态变化。比如在推荐系统，用户点击为正样本，却不能因为用户没有点击就认为它是负样本，因为可能样本的位置很偏，导致用户没有点击。 PU Learning（Positive-unlabeled learning）是半监督学习的一个研究方向，指在只有正类和无标记数据的情况下，训练二分类器，伊利诺伊大学芝加哥分校（UIC）的刘兵（Bing Liu）教授和日本理化研究所的杉山将（Masashi Sugiya
positive-unlabeled (PU) learning
weixin_30922589的博客
08-17 1849
PULearning的应用场景是，我们可以清晰地确定正样本，但是不能确定负样本，因为它有可能是正样本，只是我们还没有证明。 这时我们可以把这部分不确定的样本称为无标签样本U，加上正样本P来建立模型。 问题可以转化为一个有约束条件的最优化问题： 在保证正例中错误率低于1-r的条件下，最小化无标签样本中U的正例数目。 建立PU分类器有两种方法： 两步方法two- step appr...
Positive-Unlabeled Learning（PU Learning）详解——当数据中只有“已知正类”和“未知标签”时，如何高效分类？
最新发布
2301_80355452的博客
02-13 790
解决了传统分类中负样本缺失的难题。通过**自助采样（Bootstrap）**生成多个训练集：每次从正样本和未标记样本中随机抽取等量样本作为正负类，训练多个基分类器，最终以平均预测概率作为结果。：从正样本中随机选一部分（如15%）作为“间谍样本”混入未标记集，训练分类器后，将预测概率低于间谍样本最小值的未标记样本视为RN413。：通过挖掘未标记样本中的隐藏信息（如可靠负样本），结合正样本训练分类器，兼顾效率与准确性14。：用户点击的条目是正样本，未点击的条目未必是负样本（可能未被曝光）113。
PU learning 算法笔记1-- 论文《Learning Classifiers from Only Positive and Unlabeled Data》中的方法
beingstrong的博客
06-22 1162
PU learning 算法笔记 -- 论文《Learning Classifiers from Only Positive and Unlabeled Data》中的方法。
PUlearning
01-24
### PU Learning简介 PU Learning（Positive and Unlabeled Learning）是一种机器学习方法，专门用于处理只有正样本和未标记样本的数据集情况。传统监督学习通常依赖于既有正样本又有负样本的标注数据来训练分类器，但在许多实际应用中获取足够的负标签可能非常困难或成本高昂。此时，PU Learning提供了一种有效的解决方案[^3]。 ### 应用领域 #### 风险控制 在金融行业特别是信贷审批过程中，由于恶意欺诈行为相对较少发生，因此很难收集到充足的反面案例作为训练素材。利用PU Learning技术可以从大量正常交易记录里挖掘潜在的风险模式并建立预测模型，从而帮助金融机构更精准地识别高危客户群体以及预防经济损失的发生[^1]。 #### 资源管理 对于通信网络而言，在多用户环境下实现高效能运作是一项挑战性的任务。借助强化学习算法如Q-Learning配合PU策略指导下的决策机制，则能够使次级使用者依据环境变化动态调整自身参数设置（比如频率选择），进而达到优化整个体系性能的目的[^4]。 ### 实现方式与技巧 当面对TSA这类特定情境时，尽管初始效果不佳，但经过适当特征加工及扩充原始数据库规模之后仍可显著改善其表现力。这表明即使某些看似不适合采用PU方案的问题也可能找到突破口，只要给予充分重视并对症下药即可克服障碍获得良好成果[^2]。 ```python import numpy as np from sklearn.semi_supervised import LabelSpreading def pu_learning_example(X, y_positive): # 假设y_positive只包含部分已知的正类样本索引 n_samples = X.shape[0] labels = -np.ones(n_samples) # 初始化所有实例为未标记(-1) labels[y_positive] = 1 # 已知正类置为1 model = LabelSpreading(kernel='knn', alpha=0.8) model.fit(X, labels) predicted_probabilities = model.transduction_ return predicted_probabilities ```
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