반지도 학습

준지도 학습지도 학습과 비지도 학습 사이의 학습 기술입니다. 레이블이 지정된 샘플과 레이블이 지정되지 않은 샘플을 모두 사용하여 학습합니다.

반지도 학습을 통해 학습자는 외부 상호 작용에 의존하지 않고도 레이블이 지정되지 않은 샘플을 자동으로 사용하여 학습 성과를 개선할 수 있습니다.

두 가지 일반적인 반지도 학습 가정

하나는 "클러스터 가정"으로, 데이터가 클러스터 구조를 가지고 있으며 같은 클러스터에 있는 샘플은 같은 범주에 속한다고 가정합니다.

다른 유형은 "매니폴드 가정"으로, 데이터가 매니폴드 구조로 분포되어 있고 인접한 샘플이 유사한 출력 값을 갖는다고 가정합니다.

반지도 학습 이론에 대한 간략한 소개:

반지도 학습에는 두 개의 샘플 세트가 있는데, 하나는 레이블이 있고 다른 하나는 레이블이 없습니다.

레이블 = { ( xi , yi ) }, 레이블 없음 = { ( xi ) }. 그리고 정량적으로는 L << U입니다.

1) 레이블이 지정된 샘플만 사용하여 지도 분류 알고리즘을 생성할 수 있습니다.

2) 레이블이 지정되지 않은 샘플만 사용하여 비지도 클러스터링 알고리즘을 생성할 수 있습니다.

3) 두 가지를 모두 사용하여 1에 레이블이 지정되지 않은 샘플을 추가하여 지도 분류의 효과를 높이고자 합니다. 마찬가지로, 우리는 비지도 클러스터링의 효과를 강화하기 위해 2에 레이블이 지정된 샘플을 추가하고자 합니다.

일반적으로 반지도 학습은 지도 분류 알고리즘에 레이블이 지정되지 않은 샘플을 추가하여 반지도 분류를 달성하는 데 중점을 둡니다. 즉, 분류 효과를 높이기 위해 레이블이 없는 샘플을 1에 추가합니다.

반지도 학습 알고리즘의 분류:

1) 자체 학습 알고리즘

2) 생성 모델

3) SVM 반지도 지원 벡터 머신

4) 그래프 기반 방법

5) 멀티뷰 학습 알고리즘.

참고문헌

【1】https://blog.csdn.net/ice110956/article/details/13775071

【2】http://blog.sciencenet.cn/blog-242887-309591.html

【3】https://www.zybuluo.com/Team/note/1133211