Artículos

1.6.8.4: Aprendizaje semi-supervisado - Matemáticas

1.6.8.4: Aprendizaje semi-supervisado - Matemáticas


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

No hay una distinción profunda entre métodos supervisados ​​y no supervisados, algunos de los no supervisados ​​(como SOM o PCA) podrían usar entrenamiento, mientras que algunos supervisados ​​(LDA, Random Forest, partición recursiva) son útiles directamente como visualizaciones.

Y hay un aprendizaje semi-supervisado intermedio. Tiene en cuenta tanto las características de los datos como el etiquetado de los datos (Figura ( PageIndex {2} )).

Una de las características más importantes de SSL es la capacidad de trabajar con una muestra de formación muy pequeña. Muchas ideas realmente brillantes están integradas en SSL, aquí ilustramos dos de ellas. El autoaprendizaje es cuando la clasificación se desarrolla en múltiples ciclos. En cada ciclo, los puntos de prueba que son más seguros se etiquetan y se agregan al conjunto de entrenamiento:

Figura ( PageIndex {1} ) La red neuronal.

Código ( PageIndex {1} ) (R):

Figura ( PageIndex {2} ) Cómo el aprendizaje semi-supervisado puede mejorar los resultados del aprendizaje. Si solo se utilizan datos etiquetados, entonces la división más lógica es entre puntos etiquetados. Sin embargo, si miramos el conjunto de pruebas, se hace evidente que los puntos de entrenamiento son parte de estructuras más complicadas, y la división real va en la otra dirección.

Como puede ver, con solo 5 puntos de datos (aproximadamente el 3% de los datos frente al 33% de los datos en iris.train), la autoaprendizaje semi-supervisada (basada en el aumento de gradiente en este caso) alcanzó el 73% de precisión.

Otro enfoque semi-supervisado se basa en la teoría de gráficos y utiliza la propagación de etiquetas de gráficos:

Código ( PageIndex {2} ) (R):

La idea de este algoritmo es similar a la que se muestra en la ilustración (Figura ( PageIndex {2} )) anterior. La propagación de etiquetas con 10 puntos supera a Randon Forest (ver arriba) que usó 30 puntos.


Ver el vídeo: APRENDIZAJE SUPERVISADO EN MACHINE LEARNING - Todo lo que debes saber (Julio 2022).


Comentarios:

  1. Bragul

    Le pido perdón, esto no me conviene. ¿Hay otras variaciones?

  2. Fenrill

    SI, la opción es buena

  3. Lindsay

    Están equivocados. Escríbeme en PM, habla.

  4. Fesida

    ¿qué?



Escribe un mensaje