机器学习教程 之 半监督学习 Tri-training方法 (论文、数据集、代码)

最近因为项目需要研究了一下半监督学习，稍经了解以后发现当存在大量未标签数据时，这确实是一种非常好用的方法，可以很好的提升分类精度。这里介绍一下周志华教授的Tri-triaining方法，在实现上非常的简单好用，在文末会有代码、数据集的链接
原文在这里
Tri-training: exploiting unlabeled data using three classifiers

博主关于图神经网络的文章
DeepLearning | 图卷积神经网络(GCN)解析(论文、算法、代码)
DeepLearning | 图注意力网络Graph Attention Network（GAT）论文、模型、代码解析
DeepLearning | 图卷积网络基于拓扑结构的分类（T-GCN)

关于半监督学习
基于分歧的半监督学习方法
机器学习教程 之 半监督学习 Tri-training方法 (论文、数据集、代码)
机器学习教程 之 半监督学习 Co-training 协同训练 (论文、算法、数据集、代码)
机器学习教程 之 半监督学习 Coreg 协同回归算法 (论文、算法、数据集、代码)
机器学习教程 之 半监督学习 基于图正则项的半监督极限学习机

这些博客都提供了算法的讲解和python的代码复现，感兴趣的可以了解一下

一、Tri-training

Tri-traing 是对 co-training （协同训练）的一种改进，它也是一种基于分歧的方法。简单来说，Tri-training 的训练过程分为以下几步

1. 利用bootstrap方法从有标签数据集里采样三个子数据集。利用三个子数据集训练三个有差异的基分类器
2. 对于其中一个分类器i，另外两个分类器预测所有未标注数据集，挑选出其中预测结果相同的样本，作为新的有标签数据，加入到分类器i的训练集中
3. 为三个分类器分别执行步骤2，并利用三个扩增的数据集更新分类器
4. 重复执行2，3，直到模型收敛

在为无标签数据贴上伪标签的过程中，是有可能贴错标签，即在数据集中增加噪声的。但是周教授在论文中证明了，当新增加的数据足够多时，噪声带来的影响是可以被抵消的。Tri-trianing的理论基础其实是相当坚实的，详细的可以具体见论文

二、Implementation

代码数据集等 https://github.com/LiangjunFeng/Tri-training （写博客不容易，欢迎点赞关注，感谢支持）

三、资源下载

微信搜索“老和山算法指南”获取更多下载链接与技术交流群

有问题可以私信博主，点赞关注的一般都会回复，一起努力，谢谢支持。