读书笔记-《机器学习》第十三章：半监督学习

最新推荐文章于 2023-04-10 23:54:29 发布
最新推荐文章于 2023-04-10 23:54:29 发布
阅读量955 收藏
点赞数
分类专栏： 读书笔记
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.csdn.net/lz_peter/article/details/84325954
版权
  • 目的：利用未标记样本所包含的信息，提高模型泛化能力
  • 主动学习：与外界进行有效次的交互，降低标记成本。使用尽量少的“查询”来获的尽量好的性能
  • 半监督学习：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
    • 纯半监督学习
    • 直推学习
  • 基本假设：相似的样本拥有相似的输出
    • 聚类假设
    • 流形假设
  • 半监督学习的四大范型（分类）
    • 生成式方法
    • 半监督SVM
    • 图半监督学习
    • 基于分歧的方法
  • 半监督聚类

 

-永不妥协-
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
西瓜书读书笔记（十三）-半监督学习
scu-liu的博客
01-26 451
全部笔记的汇总贴：《机器学习》西瓜书-读书笔记汇总贴 一、未标记样本 半监督学习可进一步划分为纯半监督学习和直推学习。前者假定训练数据中的未标记样本并非带预测的数据，后者则是假定学习过程中所考虑的未标记样本恰是带预测数据，学习的目的就是在这些未标记样本上获得最优泛化性能。 二、生成式方法 生成式方法（generative methods）是直接基于生成式模型的方法。此类方法 假设所有数据（无论是否有标记）都是由同一个潜在的模型生成的。 三、半监督SVM 半监督支持向量机（Semi-Supervised Su
机器学习第13章（半监督学习）
jinhualun911的博客
10-02 435
13.1 未标记样本 如果有标记样本的个数太少，则由于训练不足，学得模型的泛化性能往往不见。 active learning主动学习，其目标是使用尽量少的query查询来获得较好的性能。 未标记样本虽然没有直接包含标记信息，但其来源也是和其他有标记样本一样，来自于独立同分布的采样。 13.2 生成式方法 Generative methods是直接基于生成式模型的方法，此类方法假设所有数据都是由一个潜在的模型生成的。 13.3 半监督SVM Semi-Supervised Support Vec
机器学习（周志华） 第十三章半监督学习
YJY131248的博客
04-09 1567
关于周志华老师的《机器学习》这本书的学习笔记 记录学习过程 本博客记录Chapter13
机器学习（周志华）_第十三章 半监督学习
liuyan20062010的专栏
05-24 1072
机器学习读书笔记：半监督学习
热门推荐
新兴IT民工的专栏
10-23 2万+
文章目录半监督学习生成式方法半监督SVM基于分歧的方法图半监督学习半监督聚类 半监督学习 ​ 在真实应用场景中，训练样本集的数目通常会很大。但是都是未标记数据，特别是在一些跨领域行业中，比如医疗，工业。对样本的分析都需要专业人才，甚至高精尖的人才来确定标记。而这些人肯定是不可能给你长时间的打标记的。那么半监督学习就是想利用小部分的标记数据，再加上大量未标记样本来进行推理和判断。之前描述的监督学习和无监督学习都无法满足要求，因此，一个新的思路就是——半监督学习。 ​ 半监督学习还分成几种形式： 利用小样本先
读书笔记 -《华为学习之法：赋能华为的8个关键思维》
03-10
大机会时代， 对每个人都提供了机会， 唯有一个要求： 向一切优秀的人学习。 学习别人优秀之处， 不要总拿我们的长处比别人的短处。 以后我们的对手就是自己， 这要成为一种文 化， 这就是哲学。 ——任正非
我的机器学习笔记(一)-监督学习vs无监督学习
02-25
在监督学习中，给定一组数据，我们知道正确的输出结果应该是什么样子，并且知道在输入和输出之间有着一个特定的关系。这么说可能理解起来不是很清晰，没关系，后面有具体的例子。监督学习可分为“回归”和“分类”...
Data-Science-and-Economics:学习笔记-机器学习与经济学
05-31
学习笔记——机器学习与经济学 计量经济学与R语言 15时间序列预测 16混合OLS、随机效应和固定效应估计 17DID估计 统计学 1处理缺失数据的高级方法 Machine Learning and Causal Inference( Python & R ) python...
python学习笔记-机器学习库numpy
最新发布
08-19
本篇笔记将深入探讨Numpy在机器学习中的应用。 一、Numpy简介 Numpy，全称为Numeric Python，是Python科学计算的核心库。它的主要功能是提供高效的数据结构——ndarray（n-dimensional array），这种数据结构能够...
机器学习与深度学习系列连载： 第一部分 机器学习（十三）半监督学习（semi-supervised learning）
Doctor Wu的博客
10-03 1962
1
机器学习第十三章半监督学习
qq_38748148的博客
11-07 872
半监督学习 13.1 未标记样本 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。如何利用未标记样本数据呢？ 主动学习：从未标记样本中挑选不确定性高或分类置信度低的样本来咨询专家进行打标。最后使用扩充后的训练集重新训练学习器，这样便能大幅度降低标记成本，这便是主动学习，其目标是使用尽量少的，有价值的查询来获得更好的性能。 显然，主动学习需要与外界进行交互，其本质仍然属于一种监督学...
【吴恩达机器学习】第十三章
weixin_42200352的博客
12-07 105
第十三章 13-1无监督学习 无监督学习没有标签 13-2 聚类算法K-means K-means算法输入 聚类的点数：Ｋ 数据集 K-means算法步骤 簇分类 移动聚类中心 迭代 K-means也可以用来区分那种不是很明显得簇，比如下图 13-3 优化目标 Ci：表示为数据Xi目前属于目前簇的序号 μ K \mu ~K~μ K 表示的是簇中心 uci表示被分到哪个簇，比如之前的分成的红绿两组 优化函数如上图所示 簇分类是将目标函数中的μ K
周志华 《机器学习》之 第十三章（半监督学习）概念总结
不系之舟的专栏-QQ讨论群331590339
08-30 2397
在前面章节中接触到的大部分都是监督学习方法以及无监督学习方法（聚类），这章讲述的半监督学习，我个人理解，应该是存在一部分标记样本，但是又不足以训练出一个良好性能的学习器，因此采用将其它未标记样本加入其中进行训练，这样的学习称为半监督学习。 对半监督的理解可参阅http://blog.csdn.net/yhdzw/article/details/227333711、未标记样本2、生成式方法3、半监督
西瓜书 第13章 半监督学习
weixin_43763859的博客
08-22 559
本章思维导图
第十三章半监督学习笔记
weixin_41940752的博客
08-01 276
未标记样本 很多时候我们有大量数据的数据集Du，但是只有少部分有标记记作Dl，如果仅用这一部分有数据的，数据量太小。我们可以用 Dl 先训练一个模型，拿这个模型去挑一个未标记样本，询问其标签，然后把这个新获得的有标记样本加入 Dl 中重新训练一个模型，再去挑 下一个，这样，若每次都挑出对改善模型性能帮助大的样本，则只需询问比较少的样本标签就能构建出比较强的模型，从而大幅降低标记成本。这样的学习...
半监督学习实战记录
ppppre的博客
10-10 1143
半监督学习实战，softTeacher
【机器学习】聚类_K-means算法基础认识与手机分类,图像切割,半监督学习实战
qq_61260911的博客
04-10 1519
本文将对kmeans介绍，算法理解，基础操作，手机分类模型，图像切割，半监督算法等实战案例去学习kmeans算法K均值聚类（k-means clustering）是一种常见的无监督机器学习算法，可用于将数据集划分为多个不同的聚类。该算法的基本思想是：将数据集分成k个簇（cluster），每个簇的中心点是簇中所有点的均值。通过迭代的方式不断优化每个簇的中心点，使得同一簇内的点距离中心点最小，不同簇之间的距离最大。
ML之SSL：Semi-Supervised Learning半监督学习的简介、应用、经典案例之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
01-06 1万+
ML之SSL：Semi-Supervised Learning半监督学习的简介、应用、经典案例之详细攻略 目录 Semi-Supervised Learning半监督学习的简介 1、直推学习Transductive learning 2、归纳学习Inductive learning 3、监督学习、半监督学习和非监督学习之间的区别 Semi-Supervised Learni...
弱监督学习--半监督学习(4)：MixMatch: A Holistic Approach to Semi-Supervised Learning
qq_44015059的博客
05-25 1976
前言 2019 年，Google 的研究团队提出了半监督学习技术MixMatch。MixMatch 可以认为是近几年半监督学习技术的集大成者，融入了Consistency Regulation、伪标签思想、entropy regularization 以及 MixUp 技术，最终实现了显著优于之前半监督学习技术的效果。 目前半监督学习的几种方法：一个是熵最小化，也就是说，尽可能让模型对无标签样本的预测置信度高；另外一个是，连续性，当样本出现扰动的时候，模型的输出还是非常的 robust；还有一个是泛化能力，
Stanford CS229 机器学习笔记
11-24
吴恩达老师在斯坦福大学机器学习的中文学习笔记。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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