Transductive learning（传导性学习）和 Inductive learning（归纳性学习）的理解

先来看WIKIPEDIA的定义：

In logic, statistical inference, and supervised learning, transduction or transductive inference is reasoning from observed, specific (training) cases to specific (test) cases. In contrast, induction is reasoning from observed training cases to general rules, which are then applied to the test cases. 

 

翻译：

在逻辑学，统计推论和监督学习中，传导或传导性推论是根据观测的、特定的、训练的变量来推断测试的变量。相反，归纳法是通过观测变了来归纳出通用的规则后，再将其应用在测试数据上。

 

理解：

实际上，我们平时所说的learning一般都是指inductive leanring：训练集，而测试的数据 并没有出现在训练集中。而transductive learning的训练集

 

实例：

A、B、C是我们已知类别的数据，其他的为unlabeled的数据。

常见的分类算法，如KNN、SVM、贝叶斯都是Inductive leanring的，因为新来一个测试数据时，模型还是只根据已知的5个点来predict类别。

而Transductive learning类似于聚类算法，没有学习出一个具体的模型，没来一个新的数据就要重新计算一遍分类结果。