Label Propagation算法是一种基于图的半监督学习方法，通过计算节点间相似性进行标签传播。算法包括初始化、计算传播概率、定义标注矩阵、节点概率分布更新和收敛过程。在实际应用中，需要确定收敛条件，并解决数据不平衡问题。目前，对于具体收敛标准的理解还不清晰，将继续研究学习。
最近看了下Label propagation算法，说实话直接看朱晓进的原著论文感觉还是蛮复杂的（公式有点多而且我的英语真心不咋的），后来偷懒网上找了下中文的相关论文和博客才算稍微弄懂了点。
首先，LP算法是一个基于图的半监督学习的算法。类似于监督学习算法中的KNN算法，假设越相近的点更有可能具有相同的类别标签，然后根据少量的有标签的样本，根据一些规则判断相邻节点之间的相似性，根据相似性对为未标签的样本进行标记。算法的描述如下：
输入：u个未标注数据，l个标注数据及类别C
输出：u个未标注数据的标注
1.初始化，利用公式
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
