现代机器学习 课件 第10章 半监督学习 .pptx

第10章半监督学习;

10.1半监督学习概述;

(1)聚类假设:如果两个样本在同一个聚类中,那么它们很可能是同一类。

(2)流形假设:如果数据中的样本分布在一个流形结构上,那么在流形中相近的样本很可能是同一类。

(3)平滑假设:位于高密度区域的两个相近样本很可能是同一类,但如果两个样本被低密度区域分开,那么它们很可能不是同一类。

(4)低密度假设:要求分类器的决策边界最好通过低密度区域。;

可以将这四个假设看成是一个更一般的假设的特殊情况——半监督假设:如果两个样本靠近高密度区域,那么它们拥有相似的输出。

从不同的学习场景来看,半监督学习可分为半监督分类、半监督回归、半监督聚类和半监督降维。常用的两类方法是半监督分类和半监督聚类,下面将详细介绍这两类方法。;

10.2半监督分类方法;

增量学习需要满足以下条件:

(1)可以从新增的数据中学习到有用的信息。

(2)更新模型时,不需要再使用之前已经用于训练模型的原有数据。

(3)在学习新的知识时,模型能够记忆大部分已经学习到的知识。

(4)在没有先验知识的条件下,能够有效地处理新增数据中所包含的新知识。;

10.2.2生成式半监督学习

生成式半监督学习是先通过标注和未标注的数据所提供的信息来计算类条件概率密度p(x|y),再通过该