【机器学习】机器学习的基本分类-半监督学习（Semi-supervised Learning）

半监督学习是一种介于监督学习和无监督学习之间的机器学习方法。它利用少量的标注数据（有监督数据）和大量的未标注数据（无监督数据）来进行模型训练，从而在标注数据不足的情况下，提升模型的性能。

半监督学习的特点

数据特性：
- 标注数据成本高（如需要人工标注）。
- 未标注数据易得且数量庞大。
目标：
- 使用未标注数据改进监督学习模型的性能。
假设：
- 相似性假设（Cluster Assumption）：相似的数据点有相同的类别。
- 平滑性假设（Smoothness Assumption）：靠近的样本具有相似的输出。
- 流形假设（Manifold Assumption）：数据点在低维流形上分布。

半监督学习的算法分类

1. 基于生成模型

使用生成模型捕捉数据分布，从而利用未标注数据。
典型方法：

高斯混合模型（GMM）
变分自编码器（VAE）

2. 自训练（Self-training）

思路：
- 使用初始标注数据训练一个模型；
- 让模型对未标注数据进行预测，将置信度高的预测结果作为伪标签；
- 使用新增的伪标签更新模型。
优点：简单易实现。
缺点：伪标签错误会导致模型退化。

3. 协同训练（Co-training）

思路：
- 使用两种互补的特征视角分别训练两个模型；
- 每个模型生成伪标签并互相标注数据。
典型应用：网页分类、信息检索。

4. 图半监督学习

思路：
- 将数据建模为图结构，节点表示样本，边权重表示样本相似度；
- 使用标签传播算法（Label Propagation）在图上传播标签。
典型方法：
- 标签传播（Label Propagation）
- 谱图方法（Graph Laplacian）

5. 对比学习

思路：
- 在无监督情况下学习样本的特征表示，使相似样本在表示空间中更接近。
- 然后结合标注数据进行分类或回归。

6. 一致性正则化（Consistency Regularization）

思路：
- 假设模型在未标注数据上的预测应对输入的轻微扰动保持一致；
- 对输入添加噪声或数据增强，约束模型输出的稳定性。
典型方法：Pseudo-labeling，Mean Teacher。

常见半监督学习模型

1. Semi-supervised SVM（S^3VM）

通过引入未标注数据的目标函数，增强决策边界的平滑性。

2. 半监督生成对抗网络（Semi-supervised GANs）

使用生成对抗网络（GAN）生成数据并改进分类器性能。

3. Ladder Networks

在网络中加入无监督分支，通过重构未标注数据，辅助训练。

半监督学习的损失函数

监督部分损失（有标注数据）：
$L_{\text{sup}} = \frac{1}{N} \sum_{i=1}^N \mathcal{L}(f(x_i), y_i)$
无监督部分损失（未标注数据）：
- 伪标签损失：
  
  $L_{\text{unsup}} = \frac{1}{M} \sum_{j=1}^M \mathcal{L}(f(x_j), \hat{y}_j)$
- 一致性正则化损失：
  
  $L_{\text{consistency}} = \frac{1}{M} \sum_{j=1}^M ||f(x_j) - f(x_j')||^2$
  $x_j'$ 为添加扰动后的样本。
总损失：
$L_{\text{total}} = L_{\text{sup}} + \lambda L_{\text{unsup}}$

应用场景

自然语言处理（NLP）：
- 情感分析、文本分类。
计算机视觉：
- 图像分类、目标检测。
医学影像分析：
- 标注数据稀缺场景下的疾病诊断。
推荐系统：
- 利用未标注用户行为改进推荐质量。

Python 示例：自训练方法

以下是一个简单的自训练实现伪代码：

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
import numpy as np

# 生成数据集
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 模拟未标注数据
X_train_labeled, X_train_unlabeled, y_train_labeled, _ = train_test_split(X_train, y_train, test_size=0.7, random_state=42)

# 初始化模型
model = RandomForestClassifier()

# 训练初始模型
model.fit(X_train_labeled, y_train_labeled)

# 自训练过程
for _ in range(5):  # 多次迭代
    # 对未标注数据预测
    pseudo_labels = model.predict(X_train_unlabeled)
    pseudo_probs = model.predict_proba(X_train_unlabeled).max(axis=1)
    
    # 筛选高置信度样本
    high_confidence_idx = pseudo_probs > 0.9
    X_high_confidence = X_train_unlabeled[high_confidence_idx]
    y_high_confidence = pseudo_labels[high_confidence_idx]
    
    # 合并伪标签数据
    X_train_labeled = np.vstack((X_train_labeled, X_high_confidence))
    y_train_labeled = np.hstack((y_train_labeled, y_high_confidence))
    
    # 移除已标注的未标注数据
    X_train_unlabeled = X_train_unlabeled[~high_confidence_idx]
    
    # 重新训练模型
    model.fit(X_train_labeled, y_train_labeled)

# 测试模型
accuracy = model.score(X_test, y_test)
print(f"Accuracy: {accuracy:.2f}")

输出结果