半监督学习的简单介绍

半监督分类(semi-supervised classification)：同时利用大量无标号样本和少量标号样本进行分类学习，以获得比仅利用标号样本的监督分类学习更好的分类性能。

目前的半监督分类方法可大致分为四大类：

1. 生成式（generative）方法
2. 大间隔半监督分类方法
3. 基于图的半监督分类方法

4. 协同训练（co-training）方法

   学习原理
   半监督分类利用无标号样本帮助提升学习性能
   1.试图挖掘隐藏在无标号样本中的数据分布信息，并利用该信息指导分类；
   2.为挖掘数据分布信息，必须采用某种数据分布假设；
   3.最常用的数据分布假设为聚类假设(cluster assumption)和流形假设(manifold assumption)。

   

数据分布假设：

聚类假设
假定属于同一聚类的样本有较大可能共享相同的类标号。
等价表述：分类边界应穿越数据分布的低密度区域，从而使聚类内（高密度区域中）样本被划分在分类边界两侧，也被称为低密度分割假设 (low-density separation assumption)。
流形假设
假定数据分布在一低维流形上，流形结构可由一无向图表示，图中结点代表样本，边权代表样本间相似性。在流形结构上相似的样本具有相似类标号。