半监督学习

总之，用少量已经标记的样本进行大量预测问题，就可以用半监督学习。
比如：已标记样本100个，未标记样本10000个。传统的机器学习算法，只能用已经标记的样本，而未标记的样本就会浪费，同时训练集较小泛化性能差。
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的方法。
什么半监督学习？
一种利用少量带标签数据和大量无标签数据进行模型训练的机器学习方法。

另外的知识点：半监督学习与联邦学习相结合：

半监督学习关注点在哪里呢？

如何利用无标签数据。

一、 通俗的说，什么场合会用到半监督学习？

传统的学习方式是用大量的贴标签数据进行分类学习。但是如果由于资源有限（经费不足、时间不够、人力缺乏…),我们只有少量的有标签数据和大量的无标签数据时，就要用到半监督学习。

二、半监督学习的优势？

减少人工成本

三、利用未标记样本的前提？

1、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。
2、基本假设：相似的样本有相似的输出。
eg:（最常见）聚类假设 cluster assumption
eg:（也很常见）流形假设 manifold assumption

四、半监督学习这一概念还有进一步的内容划分吗？

1、纯（pure）半监督学习
假定训练数据中的未标记样本并非待预测的数据。

2、直推学习 transductive learning
假定学习过程中的未标记样本恰是待预测的数据。

概念导图

一、未标记的样本

想要用少量样本来预测大量样本，很显然，对样本有一定的要求的，不是随随便便就能做到这一点的。所以对于未标记的样本提出三种假设。

同分布：指有标签和无标签聚堆的状态是一样的，只不过稀疏有别而已。

二、生成式方法

三、半监督SVM

四、图半监督学习

五、基于分歧的方法

六、半监督聚类