几种半监督的python实现（标签传播、半监督Kmeans、自训练）
半监督学习：综合利用有类标的数据和没有类标的数据，来生成合适的分类函数。它是一类可以自动地利用未标记的数据来提升学习性能的算法。
一、LabelPropagation和LabelSpreading
（1）标记传播算法：
优点：概念清晰
缺点：存储开销大，难以直接处理大规模数据；而且对于新的样本加入，需要对原图重构并进行标记传播
（2）迭代式标记传播算法：
输入：有标记样本集Dl，未标记样本集Du，构图参数δ，折中参数α
输出：未标记样本的预测结果y
步骤：
1）计算W
2）基于W构造标记传播矩阵S
3）根据公式初始化F<0>
4）t=0
5)迭代，迭代终止条件是F收敛至F*：
F
t=t+1
6）构造未标记样本的预测结果yi
7）输出结果y
python在 sklearn 里提供了两个标签传播模型：LabelPropagation 和 LabelSpreading，其中后者是前者的正则化形式。W 的计算方式提供了 rbf 与 knn。
LabelPropagation和LabelSpreading的实现代码如下：
import numpy as np
import matplotlib.pyplot as plt
from sklearn import metrics
from sklearn import datasets
from sklearn.semi_supervised import LabelPropagation,LabelSpreading
def load_data():
digits=datasets.load_digits()
rng=np.random.RandomState(0)
index=np.arange(len(digits.data))
rng.shuffle(index)
X=digits.data[index]
Y=digits.target[index]
n_labeled_points=int(len(Y)/10)
unlabeled_index=np.arange(len(Y))[n_labeled_points:]
return X,Y,unlabeled_index
def test_LabelPropagation(*data):
X,Y,unlabeled_index=data
Y_train=np.copy(Y)
Y_train[unlabeled_index]=-1
cls=LabelPropagation(max_iter=100,kernel='rbf',gamma=0.1)
cls.fit(X,Y_train)
print("Accuracy:%f"%cls.score(X[unlabeled_index],Y[unlabeled_index]))
def test_LabelSpreading(*data):
X,Y,unlabeled_index=data
Y_train=np.copy(Y)
Y_train[unlabeled_index]=-1
cls=LabelSpreading(max_iter=100,kernel='rbf',gamma=0.1)
cls.fit(X,Y_train)
predicted_labels=cls.transduction_[unlabeled_index]
true_labels=Y[unlabeled_index]
print("Accuracy:%f"%metrics.accuracy_score(true_labels,predicted_labels))
X,Y,unlabeled_index=load_data()
#test_LabelPropagation(X,Y,unlabeled_index)
test_LabelSpreading(X,Y,unlabeled_index)
LabelPropagation实验结果：Accuracy:0.948084
可见预测的准确率还是挺高的。
LabelSpreading类似于LabelPropagation，但是使用基于normalized graph Laplacian and soft clamping的距离矩阵
实验结果：Accuracy:0.972806
预测效果也很不错
还有手动实现标签传播的python写法，可以参考：
聚类——标签传播算法以及Python实现
动手实践标签传播算法
二、半监督K-means聚类
半监督K-means的初始聚类中心的选择是根据有标签数据而定的，聚类个数=类别个数，初始聚类中心=各个类样本的均值（其余步骤和标准的K-means没有差别）。
# -*- coding: utf-8 -*-
import numpy as np
def distEclud(vecA, vecB):
'''
输入：向量A和B
输出：A和B间的欧式距离
'''
return np.sqrt(sum(np.power(vecA - vecB, 2)))
def newCent(L):
'''
输入：有标签数据集L
输出：根据L确定初始聚类中心
'''
centroids = []
label_list = np.unique(L[:,-1])
for i in label_list:
L_i = L[(L[:,-1])==i]
cent_i = np.mean(L_i,0)
centroids.append(cent_i[:-1])
return np.array(centroids)
def semi_kMeans(L, U, distMeas=distEclud, initial_centriod=newCent):
'''
输入：有标签数据集L（最后一列为类别标签）、无标签数据集U（无类别标签）
输出：聚类结果
'''
dataSet = np.vstack((L[:,:-1],U))#合并L和U
label_list = np.unique(L[:,-1])
k = len(label_list) #L中类别个数
m = np.shape(dataSet)[0]
clusterAssment = np.zeros(m)#初始化样本的分配
centroids = initial_centriod(L)#确定初始聚类中心
clusterChanged = True
while clusterChanged:
clusterChanged = False
for i in range(m):#将每个样本分配给最近的聚类中心
minDist = np.inf; minIndex = -1
for j in range(k):
distJI = distMeas(centroids[j,:],dataSet[i,:])
if distJI < minDist:
minDist = distJI; minIndex = j
if clusterAssment[i] != minIndex: clusterChanged = True
clusterAssment[i] = minIndex
return clusterAssment
L =np.array([[1.0, 4.2 ,1],
[1.3, 4.0 , 1],
[1.0, 4.0 , 1],
[1.5, 4.3 , 1],
[2.0, 4.0 , 0],
[2.3, 3.7 , 0],
[4.0, 1.0 , 0]])
#L的最后一列是类别标签
U =np.array([[1.4, 5.0],
[1.3, 5.4],
[2.0, 5.0],
[4.0, 2.0],
[5.0, 1.0],
[5.0, 2.0]])
clusterResult = semi_kMeans(L,U)
三、自训练半监督
自训练是一种增量算法（Incremental Algorithm），它既不需要像基于图的半监督学习方法一样构造复杂的图模型，也不需要像协同训练一样基于特定的假设条件。自训练方法只需要一个分类模型，少量的有标记样本和大量的无标记样本，就可以完成复杂的半监督学习任务。
自训练算法首先利用少量的有标注的样本训练得到一个原始分类器，然后用这个基础的原始分类器不断地预测大量的无标注数据，并从中选取可信度较高的数据，再把这些数据添加到训练集中，以不断更新训练集并对基础分类器重新训练，直到满足停止条件，得到具有最高分类精度和最强的泛化性的最终分类器。训练流程如图所示：
下面以XGBoost作为基分类器为例，自己写一个自训练半监督算法：
数据全部是有标注的，从中随机挑选一定比例（ratio）的数据丢弃标注，作为无标注数据。
import argparse
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.preprocessing import StandardScaler
from xgboost import XGBClassifier
from sklearn import metrics
from sklearn.metrics import accuracy_score,roc_auc_score,f1_score
from sklearn.externals import joblib
import warnings
warnings.filterwarnings("ignore")
parser = argparse.ArgumentParser(description='BMD prediction')
parser.add_argument('--classifier-name', type=str, default='xgboost', metavar='S',
help='model name')
parser.add_argument('--dataset', type=str, default='../data/newdata/largedata.csv', metavar='DATASET',
help='dataset path')
parser.add_argument('--feature-columns', nargs='+', default=['sex','year','height','weight'],
help='columns of features')
parser.add_argument('--label-column', type=str, default='label',
help='column of label')
parser.add_argument('--cat-numbers', type=int, default=2,
help='Number of categories')
parser.add_argument('--model-name', type=str, default='xgboost', choices=['xgboost','svm'],
help='name of classifier')
parser.add_argument('--save-path', type=str, default='../model/classifiers/xgboost_label_gridSearch.joblib.dat',
help='path of saved model')
parser.add_argument('--grid-search', type=bool, default=True,
help='adjust parameters with grid search')
def read_data(args):
path = args.dataset
data = pd.read_csv(path,encoding='gbk')
# 获取label列非空的行
for i in range(len(data)):
if np.isnan(data[args.label_column][i]):
data = data.drop(i)
# data.to_csv('data.csv')
# data.info()
return data
def split(args,data):
features = data[args.feature_columns]
label = data[args.label_column]
print(args.feature_columns)
print(args.label_column)
X_train, X_test, y_train, y_test = train_test_split(features,label,test_size=0.2, random_state=77)
ss = StandardScaler()
X_train = ss.fit_transform(X_train)
X_test = ss.transform(X_test)
return X_train,X_test,y_train,y_test
def selfTraining(args, X_train, X_test, y_train, y_test):
ratio = 0.1 # 缺失值比例
rng = np.random.RandomState(10) # 产生一个随机状态种子
YSemi_train = np.copy(y_train)
YSemi_train[rng.rand(len(y_train)) < ratio] = -1 # rng.rand()返回一个或一组服从“0~1”均匀分布的随机样本值
unlabeledX = X_train[YSemi_train == -1, :]
YTrue = y_train[YSemi_train == -1]
idx = np.where(YSemi_train != -1)[0] # np.where返回一个(array([ 3, 10, 12, ..., 8042, 8050, 8053], dtype=int64),)
labeledX = X_train[idx, :]
labeledY = YSemi_train[idx]
model = XGBClassifier(
learning_rate=0.02,
n_estimators=90,
max_depth=4,
min_child_weight=1,
gamma=0,
subsample=1,
colsample_bytree=1,
objective='binary:logistic',
nthread=4,
scale_pos_weight=1,
seed=27
)
# 全监督
clf = model.fit(X_train, y_train)
score = accuracy_score(y_train, clf.predict(X_train))
test_score = accuracy_score(y_test, clf.predict(X_test)) # 测试集准确率
auc_score = roc_auc_score(y_test, clf.predict(X_test))
f1 = f1_score(y_test, clf.predict(X_test))
print("Training data size=", len(y_train), "Labeld accuracy= %.4f" % score, " , Unlabeled ratio=", 0,
"ACC: %.4f" % test_score, 'AUC: %.4f' % auc_score, 'F1-score: %.4f' % f1)
# 半监督
clf = model.fit(labeledX, labeledY)
unlabeledY = clf.predict(unlabeledX)
print(unlabeledY)
unlabeledProb = clf.predict_proba(unlabeledX).max(axis=1) # 预测为0和1的置信度，取大的
print(unlabeledProb)
ratioInitial = 1 - (len(labeledY) / len(y_train))
score = accuracy_score(labeledY, clf.predict(labeledX))
test_score = accuracy_score(y_test, clf.predict(X_test))
auc_score = roc_auc_score(y_test, clf.predict(X_test))
f1 = f1_score(y_test, clf.predict(X_test))
print("iteration=",0, "Training data size=", len(labeledY), "Labeld accuracy=: %.4f" % score, " , Unlabeled ratio=: %.4f" % ratioInitial, "ACC: %.4f" % test_score, 'AUC: %.4f' % auc_score, 'F1-score: %.4f' % f1)
max_iter = 500
probThreshold = 0.8
unlabeledXOrg = np.copy(unlabeledX)
YTrueOrg = np.copy(YTrue)
rr = []
it = []
i = 0
repeat = 1
while (i < max_iter and score > 0.01 and repeat<=10):
lastscore = score
ratio = 1 - (len(labeledY) / len(y_train))
rr.append(ratio)
it.append(i)
labelidx = np.where(unlabeledProb > probThreshold)[0]
unlabelidx = np.where(unlabeledProb <= probThreshold)[0]
labeledX = np.vstack((labeledX, unlabeledX[labelidx, :])) # 按照行顺序把数组给堆叠起来
labeledY = np.hstack((labeledY, unlabeledY[labelidx]))
unlabeledX = unlabeledX[unlabelidx, :]
YTrue = y_train[unlabelidx]
clf = model.fit(labeledX, labeledY)
score = accuracy_score(labeledY, clf.predict(labeledX))
test_score = accuracy_score(y_test, clf.predict(X_test))
auc_score = roc_auc_score(y_test, clf.predict(X_test))
f1 = f1_score(y_test, clf.predict(X_test))
print("iteration=",i+1, "Training data size=", len(labeledY), "Labeld accuracy= %.4f" % score, " , Unlabeled ratio= %.4f" % ratio, "ACC: %.4f" % test_score, 'AUC: %.4f' % auc_score, 'F1-score: %.4f' % f1)
unlabeledY = clf.predict(unlabeledX)
unlabeledProb = clf.predict_proba(unlabeledX).max(axis=1)
i += 1
if lastscore == score:
repeat += 1
else:
repeat = 1
def main(args):
data = read_data(args)
X_train, X_test, y_train, y_test = split(args,data)
selfTraining(args, np.array(X_train), np.array(X_test), np.array(y_train), np.array(y_test))
if __name__ == '__main__':
main(parser.parse_args())
参考网址：
python大战机器学习——半监督学习
sklearn半监督学习
半监督K均值聚类python代码