apprentissage semi

Apprentissage semi-supervisé
Extrait de :
http://www.public.asu.edu/~jye02

Position du Problème
m
n
Labels des données
(0 ou 1)
Données avec labels
Données sans labels
But : prédire les labels
des données sans labels
X y

Apprentissage semi-supervisé
Apprentissage semi-supervisé pour améliorer les performances en
combinant les données avec labels (peu) et sans labels (beaucoup)
Classification semi-supervisée (discrimination) : entraîner sur des
données avec labels et exploiter les données (beaucoup) sans labels
pour améliorer les performances
Clustering semi-supervisé : clustering des données sans labels en
s'aidant des données avec labels ou paires de contraintes
Clustering Apprentissage
Semi-supervisé Classification

Hypothèse de classe
Hypothèse de base pour la plupart des algorithmes d'apprentissage
semi-supervisés
Points proches ont probablement le même label de classe
Deux points qui sont connectés par un chemin traversant des régions
de forte densités doivent avoir le même label. Autrement dit les
frontières de décision doivent appartenir à des régions de faible densité.