ml p20 semi-supervised

概览

p20:semi-supervised

疑问

• 5.做的步骤那边没有听懂，6的解释可以参考着看看
• 9 看的不是很懂

笔记

B站19年李宏毅 P20

1.Introduction

• 利用没有标记的data做机器学习

  
  
  介绍

2.Why semi-supervised learning helps?

• 灰色的是没有标签的data，如果没有灰色的，一个竖线是最好的分界线，有了灰色之后，感觉上，斜的才是最好的

• 因为 semi-supervised learning 经常伴随着假设，这种方式能不能用，就看你的假设符不符合实际，是否合理

  
  
  为什么有用

3.outline

outline

4.加 unlabeled data 前后不同边界，直觉的解释

• 不同的均值，方差，对应不同的高斯分布假设

  
  
  加 unlabeled data 前
  
  
  加 unlabeled data 后

5.做的步骤

做的步骤

6.解释5的原因

解释5的原因.png

7.Low-density Separation-非黑即白的世界

• 即在两个分类间有一个非常明显的分界线

  
  
  非黑即白

8.tips

• regression 不能用这招

• 根据模型预测出来一些点，加入 training data 里面。

  
  
  Self-training

9.hard_labele & soft labele

hard_labele & soft labele

4.Entropy-based Regularization

Entropy-based Regularization

4.加 unlabeled data 前后不同边界，直觉的解释

4.加 unlabeled data 前后不同边界，直觉的解释

4.加 unlabeled data 前后不同边界，直觉的解释

4.加 unlabeled data 前后不同边界，直觉的解释

4.加 unlabeled data 前后不同边界，直觉的解释

4.加 unlabeled data 前后不同边界，直觉的解释