1.14 半監督學習?

Semi-supervised learning是指訓練數據中一些樣本數據沒有標簽的情況。sklearn.semi_supervised 中的半監督估計器，能夠利用這些附加的未標記數據來更好地捕獲底層數據分布的形狀，并將其更好地類推廣到新的樣本。當訓練數據中有非常少量的有標簽的點和大量的無標簽的點時，這些算法可以表現良好。

y 中含有未標記的數據

在使用fit方法訓練模型時，重要的是將標識符與標記數據一起分配給未標記點。此實現使用的標識符是整數值?1。

1.14.1 標簽傳播

標簽傳播表示半監督圖推理算法的幾個變體。

該模型中有以下幾個特性：

• 可用于分類和回歸任務
• 使用內核方法將數據投影到備用維度空間

scikit-learn 提供了兩種標簽傳播模型： LabelPropagation 和 LabelSpreading 。 兩種方法都是在輸入數據集中的所有項上構造一個相似圖。

標簽傳播的說明： 未標記觀測的結構與類結構是一致的，從而可以將類標簽傳播到訓練集的未標記觀測。

LabelPropagation 和 LabelSpreading 在對圖形的相似性矩陣以及對標簽分布的夾持效應（clamping effect）方面的修改不太一樣。 夾持效應允許算法在一定程度上改變真實標簽化數據的權重。 LabelPropagation 算法執行輸入標簽的全加持（hard clamping），這意味著 。夾持因子可以不一定很嚴格。例如 意味著我們將始終保留原始標簽分布的 80%，但該算法可以將其分布的置信度改變在 20% 以內。

LabelPropagation 使用未經修改的數據構造的原始相似度矩陣。相反 LabelSpreading最小化了具有正則化特性的損失函數，因此它通常對噪聲更有魯棒性。該算法在原始圖形的修改版本上進行迭代，并通過計算 normalized graph Laplacian matrix（歸一化圖拉普拉斯矩陣）來對邊緣的權重進行歸一化。這一過程也用于光譜聚類。

標簽傳播模型有兩個內置的核方法。核的選擇對算法的可擴展性和性能都有影響。可獲得以下：

• , 通過關鍵字gamma指定
• , 通過關鍵字 n_neighbors 指定

RBF核將生成一個完全連通的圖，在內存中用稠密矩陣表示。該矩陣可能非常大，再加上對算法的每一次迭代執行全矩陣乘法計算的成本，可能導致運行時間過長。另一方面，KNN核將產生一個對內存更友好的稀疏矩陣，可以大大減少運行時間。

參考

[1] Yoshua Bengio, Olivier Delalleau, Nicolas Le Roux. In Semi-Supervised Learning (2006), pp. 193-216

[2] Olivier Delalleau, Yoshua Bengio, Nicolas Le Roux. Efficient Non-Parametric Function Induction in Semi-Supervised Learning. AISTAT 2005 https://research.microsoft.com/en-us/people/nicolasl/efficient_ssl.pdf