多示例学习---001（多示例学习和多标签学习）

学前娱乐

姐夫荣升部门经理，公司为他配了个年轻漂亮的女秘书。
姐姐听说后，满脸醋意地向姐夫求证。姐夫轻描淡写地说：“她什么都不懂，就像个洋娃娃似的。
小外甥女听到了，陡生兴趣，忙跑过来问：“爸爸，你让那个洋娃娃躺下时，她会不会闭上眼睛？

段子来源

引入

   想必，进来的同学们都是开始接触多示例学习的同伙（手动滑稽），作为一个小白，我接下来将从多示例学习的角度和多标签学习的一个角度来分析，关于多示例的一些概念。（有啥不对的地方，希望大家指正！）

多示例学习

   学习多示例学习之前，需要了解一些基础知识，有监督学习，无监督学习，半监督学习；有些同学习惯把多示例学习分为这三种学习的一种，我的理解是，多示例学习，它可以参合这三种学习一起学习。这里我就不具体阐述什么是监督学习了，有兴趣的东西也可以去查阅一下其它资料，后续我也会给出这三种监督学习的知识点。

重点1

   好了，说了那么多，现在进入到多示例学习的环节。在这之前，我们先了解两个多示例中最基础的两个概念：包 (bag)和实例 (instance)。每个包 $X_i$ 由多个实例 $x_i$ 组成，实例是一个向量；这样说可能就十分抽象了，比如说像我这个小白，就不能够很直观的感受什么是包和实例，那么，我们用下面的图来做出进一步的阐述：这几张图是一些老虎的图：
  
  

图1：

   我们把每一张图看作是一个包，那么实例又是什么呢？我们看第三张图，里面有老虎，有树，有草，我们就把图中这三个部分看作为三个实例，所以，我们的包中就有了三个实例，每一个实例的属性又是怎么样的呢？我们给出下面这样的一个数据：

图2:

   这是一个包中的实例表示：行数表示的实例数，包中一共有7个实例，每一个实例是一个向量，那么向量的每一个数据表示的是什么呢？我们知道，对于每一个对象，比如说老虎，都有，毛发的长短，颜色的深浅，眼睛的瞳色，耳朵的大小等等，这些都是他们的一些特征，由这些特征，我们就可以组成一个新的向量，我们用这个向量来表示这个老虎的对象，这就是图2中数据的来由。
   但是，在实际生活中，我们要处理的图不是单独的一张，而是成百上千的图，所以，这就是多示例中 多 的来源。下图我给出处理过的一些老虎的数据集：

图3：   图3 中的每一行数据表示一个包（也就是一张图），没一行展开之后，就是图2这样的一些实例的集合 。然后我们会给一个包（图）来打上一个标签，这个标签代表什么呢？在多示例学习中，我们这样认为，如果一个包里面存在至少一个被分类器判定为+的实例，则该包为正包，如果包中一个+的实例都没有，那么就为负包。这个标签，就代表这个包是否属于正包，是正包就打上1，负包就为0 (也可以是-1)。有同学可能会问，什么是正的实例呢？我们这样理解，我们把老虎这样的一个实例认定为正实例，如果一个包中有这么一个实例(包)，那么这个包就是正包。

重点2

   那么有同学可能会问了，我们学了这么一个多示例，有什么用呢？我们在生活中，可能会对一些东西来分类(很重要呢)，我们多示例学习就是，先对一些已知数据进行处理（建立一个模型），然后用这个模型对未知数据进行处理；
   举个例子，我们用老虎的图片来进行训练，训练出一个模型，后面来了一张新的图片，我们首先不知道它是不是属于老虎这一类的图片，那么我们就需要用这个模型来对它进行一个预测，然后给它一个标签。
  简单的来说，多示例就是这么一个过程：
  1）先用已知的数据来训练一个模型；
  2）然后用这个模型来对未知的一些数据进行一个预测。

多标签学习

  由于本人是学习多示例的小白，可能对多标签学习的认识不是很清楚，希望大佬们指教。。。
后面持续更新。。。