IAP模型(间接属性预测模型)
使用属性字类之间传递知识,但是属性形成了两层标签之间的连接层,一层用于训练是已知的类,另一层用于训练时未知的类,IAP的训练阶段是普通的多类别分类。在测试时,对多有的训练课程的预测都会对属性层进行标记,从而可以推测出测试课程的标记。
算法流程:
首先通过训练样本x 获得每类y_1,…,y_k的概率p(y_k|x),由类别与属性间的依赖关系p(a_m|y)即可获得p(a_m|x)=∑_(k=1)^K▒P(a_m|y_k)p(y_k|x),在测试阶段,通过类别-属性关系来实现从训练类别标签的后验分布来推知未见样本类标签的概率分布,即f(x)。具体流程如下图所示:
评价:
在这种方法中由于训练样本所属类别与未见训练样本的测试样本所属类别对于属性而言地位不是平等的,在测试阶段,训练样本所属的类别标签作为了中间的转换媒介,如果恰巧有一类训练样本所属类别对当前的测试样本较为敏感,就容易引起偏差,导致测试结果错误为该训练样本所属类别。通过分析间接属性预测模型在处理训练样本所属类别和测试样本类别在预测时权重值不同的缺点,产生了后续阐述的直接属性预测模型。
MATLAB实现源码: