多实例学习

                        多实例学习（Multi Instance Learning）

定义：

假设训练数据集中每个数据是一个包（Bag）,每个包都是实例（Instance）的集合，每个包都有一个训练标记，而包中的实例没有标记。多实例的目的是对新的包进行类别预测。

 

规则：

• 若包中至少存在一个正标记的实例，则包被赋予正标记。
• 若包被标为负标记，那其中所有的实例均为负标记。（如果一个包里面所有的实力都被分类器判定标签为-，则该包为-包）

（训练的时候没有给示例标记，只给了包的标记，但示例的标记确实存在，存在正负示例来判断正负类别）。

 

机器学习目前有监督学习，费监督学习以及强化学习，那么，，，他可能属于若监督学习？（不太懂划分的界限）

区别：

• 与监督学习相，多实例学习的数据集中的样本实例的标记未知，但监督学习的训练样本集中每个实例都有一个已知的标记。
• 与非监督学习相比，多实例学习只有包有标记，而费监督学习样本所有实例均没有标记
•  

实际应用：

在图像分类中，一张图片就是一个包，图片分割出的patches就是示例。