半监督学习

半监督学习

半监督学习的现实需求也非常强烈，因为在现实生活中往往能容易地收集到大量未“标记”的样本，而获取有标记的样本却需要耗费人力、物力。在互联网应用的最为明显，例如在进行网页推荐时需要请用户标记出感兴趣的网页，但是很少的用户愿意花很多时间来提供标记，因此，有标记的网页样本少，但互联网上存在无数网页可作为未标记样本使用。

半监督学习就是提供了一条利用“廉价”的未标记样本的途径。

通常在处理未标记的数据时，常常采用“主动学习”的方式，也就是首先利用已经标记的数据（也就是带有类标签）的数据训练出一个模型，再利用该模型去套用未标记的数据，通过询问领域专家分类结果与模型分类结果做对比，从而对模型做进一步改善和提高，这种方式可以大幅度降低标记成本，但是“主动学习”需要引入额外的专家知识，通过与外界的交互来将部分未标记样本转化有标记的样本。但是如果不与专家进行互动，没有额外的信息，还能利用未标记的样本提高模型的泛化性能吗?

答案是肯定的，因为未标记样本虽然未直接包含标记信息，但它们与有标记样本有一些共同点，我们可以利用无监督学习的聚类方法将数据特征相似的聚在一个簇里面，从而给未标记的数据带上标记。这也是在半监督学习中常用的“聚类假设”，本质上就是“利用相似的样本拥有相似的输出”这个基本假设。

半监督学习进一步划分为了纯半监督学习和直推学习（transductive learning），前者假定训练数据中的未标记样本并不是待测数据，而直推学习假设学习过程中所考虑的未标记样本恰恰是待预测样本。无论是哪一种，我们学习的目的都是在这些未标记的样本上获得最优的泛化性能（泛化简单的指的是模型无论对训练集表现效果好，对测试集效果也很不错，在模型选择中我们会详细讲解）。

喜欢就点赞评论+关注吧

感谢阅读，希望能帮助到大家，谢谢大家的支持！