协同半监督的构造性学习方法.pdfVIP

ComputerEngineeringandApplications计算机工程与应用 协同半监督的构造性学习方法 李 萍 ，吴 涛 LIPing．W U Tao 1．阜阳师范学院 信息工程学院，安徽 阜阳 236041 2．安徽大学 智能计算与信号处理教育部重点实验室 ，合肥 230039 1~CollegeofInformationEngineering，FuyangTeacher’SCollege，Fuyang，Anhui236041，China 2．KeyLaboratoryofIntelligentComputing SignalProcessing，M inistryofEducation，AnhuiUniversity,Hefei230039，China LIPing．W U Tao．Constructivelearningm ethodbasedonco—trainingalgorithm ．ComputerEngineeringandAppli- cations，2015，51(3)：129-132． Abstract：ConstructiveMachineLeaming(CML)algorithmneedslargernumberoflabeledsamplestotrainaclassifica- tionnetwork，butitisdifficulttoobtainamassoflabeledsamples．Soaconstructivelearningmethodbasedonco—training algorithm isdesigned．ItdividesthelimitedlabeledsamplesintothreeequalrtainingsetsandusesCMLalgorithm totrain threesingleclassifiersrespectively．Theunlabeledsamplesarelabeledbyvotingtogetherthroughthethreesingleclassifiers toexpandthethreetrainingsetsinturnuntiltheyarenotexpanded．Theexpandedthreertainingsetsareunitedtogenerate thefinalclassifier．ExperimentisconductedonUCIdatasetandresultsshow thatthealgorithm ismoreeffectivethan theCML，Tri—CML，NBandTri—NBalgorithms． Keywords：semi-supervised；constructivemachinelearn ing；CO—trainingalgorithm；tri—trainingalgorithm；covering 摘 要 ：利用构造性学习(CML)算法训练分类器需要大量 已标记样本 ，然而获取大量已标记的样本较为困难。为 此，提 出了一种协同半监督的构造性学习算法。将 已标记样本等分为三个训练集，分别使用构造性学习算法训练三 个单分类器，以共同投票的方式对未标记样本进行标记，从而依次扩充三个单分类器训练集直到不能再扩充为止。 将三个训练集合并训练出最终的分类器。选取UCI数据集进行实验，结果表明，与CML算法、Tri．CML算法、NB算 法及Tri．NB相 比，该方法的分类更为有效。 关键词：半监督学习；构造性机器学习；CO．training算法；tri—training算法；覆盖算法 文献标志码：A 中图分类号：TP18 doi：10．3778~．issn．1002．8331．1307．0382 构造性机器学习方法将 k分类神经网络的构建问 和未标记样本的机器学习算法，整个学习过程仅需要分 题转化为在样本集 上寻找一组覆盖领域问题 ，这组领 类器 自身对未标记示例进行标记 。。半监督学习的核 域能做到把不同类别的数据点分隔开 。该方法的网络 心思想就是利用已标记样本与未标记样本间的内在信 结构易于确定且能高效地处理多分类问题 ，在多个领域 息关系，对未标记样本进行标记，增加有标记的学习样 获得有效应用 。作为有监督学习的一种 ，构造性机器 本的数量从而提高机器学