EM算法及其在半监督学习中的运用概论.pptVIP

半监督学习(Semi-supervised?Learning );有监督的学习：学习器通过对大量有标记的训练例进行学习，从而建立模型用于预测未见示例的标记(label)。很难获得大量的标记样本。 无监督的学习：无训练样本，仅根据测试样本的在特征空间分布情况来进行标记，准确性差。 半监督的学习：有少量训练样本，学习机以从训练样本获得的知识为基础，结合测试样本的分布情况逐步修正已有知识，并判断测试样本的类别。;半监督学习的过程; 传统的训练学习算法需要利用大量有标记的样本进行学习。 随着信息技术的飞速发展，收集大量未标记的（unlabeled）样本已相当容易，而获取大量有标记的示例则相对较为困难，因为获得这些标记可能需要耗费大量的人力物力。 如何利用大量的未标记样本来改善学习性能成为当前模式识别研究中备受关注的问题。 优点：半监督学习（Semi-supervised?Learning）能够充分利用大量的未标记样本来改善分类器的性能，是目前利用未标记样本进行学习的主流技术。;在进行Web网页推荐时，需要用户标记出哪些网页是他感兴趣的，很少会有用户愿意花大量的时间来提供标记，因此有标记的网页示例比较少，但Web上存在着无数的网页，它们都可作为未标记示例来使用。 这类问题直接来自于实际应用：例如，大量医学影像，医