半監督分類(semi-supervised classification)：同時利用大量無標號樣本和少量標號樣本進行分類學習，以獲得比僅利用標號樣本的監督分類學習更好的分類效能。
目前的半監督分類方法可大致分為四大類：
生成式（generative）方法
大間隔半監督分類方法
基於圖的半監督分類方法
協同訓練（co-training）方法
學習原理
半監督分類利用無標號樣本幫助提公升學習效能
1.試圖挖掘隱藏在無標號樣本中的資料分布資訊，並利用該資訊指導分類；
2.為挖掘資料分布資訊，必須採用某種資料分布假設；
3.最常用的資料分布假設為聚類假設(cluster assumption)和流形假設(manifold assumption)。
聚類假設
假定屬於同一聚類的樣本有較大可能共享相同的類標號。
等價表述：分類邊界應穿越資料分布的低密度區域，從而使聚類內（高密度區域中）樣本被劃分在分類邊界兩側，也被稱為低密度分割假設 (low-density separation assumption)。
流形假設
假定資料分布在一低維流形上，流形結構可由一無向圖表示，圖中結點代表樣本，邊權代表樣本間相似性。在流形結構上相似的樣本具有相似類標號。
半監督學習
一般認為,半監督學習的研究始於 b.shahshahani 和 d.landgrebe 的工作 shahshahanil94 但未標記示例的價值實際上早在上世紀 80 年代末就已經被一些研究者意識到了 lippman89 d.j.miller 和 h.s.uyar milleru97 認為,半監督學...
半監督學習
最近的一段時間一直在學習半監督學習演算法，目前，國內的南京大學周志華老師是這方面的泰斗，寫了很多這方面牛的文章，可以參考一下他的主頁 在國內的學術界周老師一直是我比較欽佩的人之一。下面貼出來的文章出自周老師之手，通俗易懂。受益匪淺。一般認為,半監督學習的研究始於 b.shahshahani 和 d....
半監督學習
目前，國內的南京大學周志華老師是這方面的泰斗，寫了很多這方面牛的文章，可以參考一下他的主頁 下面貼出來的文章出自周老師之手，通俗易懂。受益匪淺。一般認為,半監督學習的研究始於 b.shahshahani 和 d.landgrebe 的工作 shahshahanil94 但未標記示例的價值實際上早在上...