毕业论文（设计）_基于半监督学习方法的研究.docVIP

基于半监督学习方法的研究 摘 要 近几年来随着机器学习在数据分析和数据挖掘中的广泛应用,半监督学习的理论研究成果已经部分应用于实际问题的解决。半监督学习(Semi-supervised Learning)是模式和机器学习中的重要研究领域,一直为国际机器学习界所广泛关注GCM算法的性能最优，而使用欧几里得度量的GCM算法的性能最差；另外，不同度量中的参数取值对算法的性能具有一定的影响。 关键词：GCM CM ABSTRCAT With Machine learning methods being widely applied for real world data analysis and data mining, semi-supervised learning has been introduce for solving more and more real world problems.Semi-supervised learning, which combines information from both labeled and unlabeled data for learning tasks, has drawn wide attention. We consider the general problem of learning from labeled and unlabeled data,which is often called semi-supervised learning or transductive inference.A principled approach to semi-supervised learning is to design a classifying function which is suf_ciently smooth with respect to the intrinsic structure collectively revealed by known labeled and unlabeled points. Experimental results show that performance of GCM algorithm for using the exponential measure is superior to other measures and performance of GCM algorithm for using the Euclidean measure is inferior to other measures. Moreover, arguments for different measures impact on the performance of algorithm. Key words：Semi-supervised Machine learing GCM CM 目 录 一 引言 1 1.1研究背景和意义 1 1.1.1研究背景 1 1.1.2研究意义 1 1.2国内外研究现状 1 1.3研究内容 2 1.4论文组织与安排 2 二 半监督学习算法 3 2.1朴素贝叶斯分类器 3 2.1.1贝叶斯法则 3 2.2.2 朴素贝叶斯分类器学习 3 2.2 k-近邻算法 4 三 常用的度量方法 6 3.1加权s阶Minkowski度量 6 3.2非线性度量 6 3.3 K近邻度量 6 3.4指数度量 6 3.5双曲正切度量 7 四 基于核策略的半监督学习算法 8 4.1 CM算法 8 4.2 GCM算法 8 五 总体设计与详细设计 10 5.1总体设计 10 5.2 详细设计 10 六 实验研究与分析 13 6.1实验数据 13 6.1.1 CM算法实验数据 13 6.1.2 GCM算法实验数据 14 6.2实验方法 14 6.2.1 CM实验方法 14 6.2.2 GCM实验方法 14 6.3 实验结果与分析 15 七 结论 17 谢 辞 18 参考文献 19 一 引言 1.1研究背景和意义 1.1.1研究背景 当前社会已进入高速发展的信息化时代，每天面对的数据大量而繁琐，数据分类的工作越来越重要。在传统的监督学习中，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。目前，利用未标记示例的主流学习技术主要有半监督学习和主动学习，但是它们的基本思想却有显著不同。在半监督学习中，学习器自行利用未标记示例，学习过程无人工干预。主动学习假设学习器对环境有一定的控制能力，可以主动向学习器之外的神谕（可以是人，也可以是能够为示例提供真是标记的其它过程 ）