【机器学习】半监督学习总结

Chester-zZz Chester-zZz 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 700+累计阅读 777平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄13年
关注
原创 最新推荐文章于 2026-09-05 11:37:50 发布 777 阅读 AI 写同款· GEO 优化 ›
半监督学习与机器学习应用解析 本文重点阐述了半监督学习相较于无监督学习的优势，特别是在仅有少量有标签数据时的有效性，并介绍了其在现实问题中的应用。此外，文章列举了机器学习的多个商业应用，涵盖强化学习、人工神经网络等领域，同时深入解析了卷积神经网络、遗传算法、模糊逻辑系统等关键技术概念与原理。 阅读详情

【机器学习】半监督学习总结
这里写图片描述

收录于
机器学习

当前文章被收录于：

机器学习
20 篇文章 2 人学习
订阅专栏 查看详情
标签
#机器学习 #半监督学习
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。
机器学习笔记——监督学习，无监督学习，半监督学习 这个问题可以回答得很简单：是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。 什么是学习（learning）？ 学习：一个成语就可概括：举一反三。此处以高考为例，高考的题目在上考场前我们未必做过，但在高中三年我们做过很多很多题目，懂解题方法，因此考场上面对陌生问题也可以算出答案。机器学习的思路也类似：我们能不能利用一... 阅读详情

相关推荐

半监督支持向量机S3VM：半监督支持向量机（S3VM）方法

半监督支持向量机S3VM：半监督支持向量机（S3VM）方法

半监督学习综述

Chapter 7 Semi-supervised Learning 翻译不易，未经允许请勿转载！ Author: Mohamed Farouk Abdel Hady and Friedhelm Schwenker Translator: Howard Wonanut 摘要 传统的监督学习方法需要使用有标签数据建立模型。然而，在现实世界中给训练数据打标签可能需要昂贵的...

哆啦A瑶的博客 1万+

支持向量机源码Python实现

SVM支持向量机Python实现，大家可以当备用资料存储，也可以直接实际操作

《西瓜书》-13.半监督学习

13.半监督学习 13.1.主动学习与半监督学习 前面我们一直围绕的都是监督学习与无监督学习，监督学习指的是训练样本包含标记信息的学习任务，例如：常见的分类与回归算法；无监督学习则是训练样本不包含标记信息的学习任务，例如：聚类算法。 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。 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，例如：做网页推荐时需要让用户标记出感兴趣的网页，但是少有用户愿意花时间来提供标记。若直接丢弃

ruoqi23的博客 1994

基于安全的半监督支持向量机

基于安全半监督支持向量机的分类，matlab实现代码。

PaddleOCR在医疗票据识别中的实战：从部署到业务字段提取

本文详细介绍了PaddleOCR在医疗票据识别中的实战应用，重点阐述了其离线部署方案与PP-OCRv3模型选型优势。针对医疗票据敏感数据不出本地的合规要求，文章提供了从环境搭建、模型配置到核心字段提取策略的完整流程，并分享了性能优化与系统集成的实践经验，有效解决了医疗票据自动化录入的难题。

weixin_29271053的博客 237

一文看遍半监督学习模型（Semi-Supervised Learning）

一个模型对于同一个未标记图像，在图像添加额外噪声前后的预测值应该保持一致。添加噪声的方法，如图像增强（空间维度增强、像素维度增强）。同样，Dropout可在模型结构中引入噪声。

qq_43456016的博客 1万+

ArcGISPro小白必看：5分钟搞定3D地形图制作（附免费数据源）

本文为ArcGISPro初学者提供5步制作专业3D地形图的完整指南，涵盖免费数据获取、项目初始化、数据预处理、3D场景构建和成果输出等关键步骤。特别推荐使用NASA的SRTM高程数据和吉林一号卫星影像，帮助用户快速掌握3D地形图制作技巧，适用于教学演示和科研分析。

weixin_28314575的博客 241

半监督学习之self-training

一，半监督学习 　　半监督学习是一种介于监督式学习和无监督学习之间的学习范式，我们都知道，在监督式学习中，样本的类别标签都是已知的，学习的目的找到样本的特征与类别标签之间的联系。一般来讲训练样本的数量越多，训练得到的分类器的分类精度也会越高。但是在很多现实问题当中，一方面由于人工标记样本的成本十分高昂，导致了有标签的样本十分稀少。而另一方面，无标签的样本很容易被收集到，其数量往往是有标签样本的上

tyh70537的博客 2万+

深入解析YT8521S千兆以太网PHY芯片的设计与调试要点

本文深入解析了YT8521S千兆以太网PHY芯片的设计与调试要点。重点剖析了硬件设计中的电源方案、RGMII接口电平配置（尤其是1.8V电平方案）以及PCB布局布线等关键细节，并提供了从硬件检查、驱动配置到性能测试的完整调试流程，帮助工程师规避常见陷阱，实现稳定可靠的千兆网络连接。

weixin_29190573的博客 689

电商秒杀场景下，如何用Redis+Lua脚本实现原子性库存扣减（附完整代码）

本文针对电商秒杀场景下的高并发与超卖难题，详细解析了如何利用Redis的原子性命令与Lua脚本实现可靠的库存扣减。通过对比多种方案，阐述了Redis+Lua作为黄金搭档的技术原理，并提供了从基础扣减到预扣减模型的完整代码实现，确保在高并发下数据的一致性与系统性能。

weixin_29219539的博客 503

【机器学习】半监督学习可以实现什么功能？

半监督学习通过结合监督学习和无监督学习的优势，可以在有限的标注数据情况下实现多种功能，提高模型的泛化能力和性能。随着研究的深入和技术的发展，半监督学习在各个领域的应用将越来越广泛

杨荧的优快云博客 1417

拉曼光谱入门：10.显微拉曼与共聚焦技术

本文系统阐述了显微拉曼光谱技术与共聚焦原理的融合机制，详细解析了从激光激发、针孔空间滤波到光谱采集的完整光路架构，阐明了共聚焦设计在提升三维空间分辨率、抑制荧光背景及实现微区无损层析方面的核心优势，并探讨了关键光学器件的性能边界与系统技术局限。

qq_53529450的博客 168

机器学习（Machine learning，ML） 学习笔记（区分监督学习与半监督学习）

深度学习

czmjy的博客 1288

机器人控制基础：伺服驱动器的泄放电阻

摘要：伺服驱动器泄放电阻用于消耗电机减速或制动时产生的再生电能，防止母线电压过高损坏元件。其核心作用是将多余电能转化为热能，规避硬件损坏和停机风险。选型需关注功率、阻值和封装三大参数，功率应匹配再生能量，阻值需符合驱动器要求，封装应满足散热需求。可通过动态监测母线电压或静态检测电阻阻值来判断其是否正常工作。

start_up_go的博客 382

1、符号回归：原理、应用与实践

本文全面介绍了符号回归（Symbolic Regression）的原理、发展历程、核心算法及其在科学与工程领域的广泛应用。文章从基本概念出发，详细阐述了基于遗传编程的符号回归机制，并探讨了其在游艇水动力学、化学过程、锂离子电池、生物医学等多个领域的实际应用。同时，博文还涵盖了高级技术如知识集成、系数优化、预测区间计算及微分方程发现等内容，对比了开源与商业软件工具，并展望了未来发展趋势，旨在为研究人员和从业者提供一本实用的符号回归指南。

ipfs8storage的博客 248

【机器学习】机器学习在深度学习领域中的作用：半监督学习的视角

随着信息技术的飞速发展，机器学习已经成为人工智能领域中的关键技术之一。在机器学习的众多分支中，深度学习以其强大的特征表示能力和高效的计算模型，成为解决复杂问题的有力工具。然而，在实际应用中，标注数据的获取往往成本高昂且耗时，这限制了深度学习模型的训练和应用。因此，如何在有限标注数据的情况下提高深度学习模型的性能，成为了一个重要的研究问题。半监督学习作为一种介于监督学习和非监督学习之间的方法，为解决这一问题提供了新

2301_77509762的博客 3562

YOLOv8魔改系列：将CIoU替换成Wise-IoU，飞速涨点

将YOLOv8中CIoU替换成Wise-IoU，实现飞速涨点

qq_66386046的博客 2679

半监督学习介绍（为什么半监督学习是机器学习的未来）

半监督学习是一种强大的机器学习方法，可以结合监督学习和无监督学习的优点。通过使用标记和未标记数据，半监督学习可以提高许多机器学习项目的准确性、成本和时间节省。它利用标记和未标记数据来生成一个模型，该模型通常比以标准监督方式训练的模型更强大。这些算法通常基于伪标签和/或一致性正则化。不过，即使半监督训练通常比标准监督训练有所改进，也不能保证您自己的应用程序就是这种情况。研究表明，在某些有限的情况下，它甚至可能导致性能下降。

QHCV的博客 3512

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

猫抓 cat-catch 视频资源嗅探下载指南

猫抓（cat-catch）是一款装在浏览器里的资源嗅探扩展，会自动收集当前页面加载过的视频、音频以及 m3u8 分段流，并把它们整理成一份可勾选的清单，方便你直接把"只能在线播放"的媒体存成本地文件。下面按内核版本、安装、找资源、合并分段四个环节来说明。 ## 先看浏览器内核是否满足要求 不同版本对内核有要求，装之前先确认，避免装完打不开： - 1.0.17 及之后的版本，需要 Chromi

gitblog_00188的博客 449

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。

机器学习之有监督学习,无监督学习,半监督学习

文章目录前言有监督学习无监督学习半监督学习 前言 机器学习是数据分析和数据挖掘的一种比较常用，比较好的手段从有无监督的角度，可以分为三类： 有监督学习 无监督学习 半监督学习 有监督学习 用已知某种或某些特性的样本作为训练集，以建立一个数学模型，再用已建立的模型来预测未知样本，此种方法被称为有监督学习，是最常用的一种机器学习方法。是从标签化训练数据集中推断出模型的机器学习任务 问：有监督学习的...

荒野雄兵的专栏 9864

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

【机器学习第十期机器学习进阶：半监督学习与概率图模型深度探索】

本文聚焦机器学习中的半监督学习与概率图模型两大重要领域。对半监督学习，深入讲解其利用未标记样本提升模型性能的核心思想，涵盖生成式方法、半监督SVM、图半监督学习、基于分歧的方法及半监督聚类等关键技术；针对概率图模型，剖析隐马尔可夫模型、马尔可夫随机场、条件随机场等经典模型的原理，以及学习与推断、近似推断、话题模型等内容。通过丰富实例与Python代码实践，帮助读者掌握半监督学习在数据利用上的优势，理解概率图模型的概率推理与建模逻辑，提升对复杂机器学习任务的实践能力。

qq_45832651的博客 1144

【机器学习】使用伪标签进行半监督学习

使用伪标签进行半监督学习，在机器学习竞赛当中是一个比较容易快速上分的关键点。下面给大家来介绍一下什么是基于伪标签的半监督学习。在传统的监督学习当中，我们的训练集具有标签，同时，测试集也具有标签。这样我们通过训练集训练到的模型就可以在测试集上验证模型的准确率。 然而使用伪标签的话，我们则可以使用训练集训练出一个最好的模型，然后再去除测试集的真实的标签，然后用这个已经train好的模型去predic...

极歌科技 1476

【周志华机器学习】十三、半监督学习

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

weixin_42301220的博客 4415
上一篇： 【机器学习】特征选择与稀疏学习总结
下一篇： 【机器学习】概率图模型总结
点赞 0
评论 0
书签 书签 5
Chester-zZz
Chester-zZz
博客等级 码龄13年 35粉丝 34原创
+ 关注 专栏目录 订阅专栏
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
 
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