典型半监督分类算法的研究分析

• 作者: 孟岩 汪云云
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: 半监督分类 数据分布 聚类假设 流行假设
• 年，卷（期）: 2017,（10）
• 所属期刊栏目: 智能、算法、系统工程
• 页码范围: 43-48
• 页数: 6页
• 分类号: TP301.6
• 字数: 5344字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2017.10.010

摘要

近年来,大量半监督分类算法被提出.然而在真实的学习任务中,研究者很难决定究竟选择哪一种半监督分类算法,而在这方面并没有任何指导.半监督分类算法可通过数据分布假设进行分类.为此,在对比分析采用不同假设的半监督分类典型算法的基础上,以最小二乘方法(Least Squares,LS)为基准,研究比较了基于聚类假设的转导支持向量机(Transductive Support Vector Machine,TSVM)和基于流行假设的正则化最小二乘法(Laplacian Regularized Least Squares Classification,LapRLSC),并同时利用两种假设的SemiBoost以及无任何假设的蕴含限制最小二乘法(Implicitly Constrain-ed Least Squares,ICLS)的分类效果.得出的结论为,在已知数据样本分布的情况下,利用相应假设的方法可保证较高的分类正确率;在对数据分布没有任何先验知识且样本数量有限的情况下,TSVM能够达到较高的分类精度;在较难获得样本标记而又强调分类安全性时,宜选择ICLS,而LapRLSC也是较好的选项之一.