Частичное обучение

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Новая: Частичное обучение(semi-supervised lerning) — один из методов машинного обучения, использу...)
(викификация)
Строка 1: Строка 1:
-
Частичное обучение(semi-supervised lerning) один из методов [[машинное обучение|машинного обучения]], использующий при обучении как размеченные, так и неразмеченные данные.
+
'''Частичное обучение''' (semi-supervised lerning) — один из методов [[машинное обучение|машинного обучения]], использующий при обучении как размеченные, так и неразмеченные данные.
 +
 
Обычно используется небольшое количество размеченных и значительный объём неразмеченных данных.
Обычно используется небольшое количество размеченных и значительный объём неразмеченных данных.
Частичное обучение является компромисом между [[обучение без учителя|обучением без учителя]] (без каких-либо размеченных обучающих данных) и [[обучение с учителем|обучением с учителем]] (с полностью размеченным набором обучения).
Частичное обучение является компромисом между [[обучение без учителя|обучением без учителя]] (без каких-либо размеченных обучающих данных) и [[обучение с учителем|обучением с учителем]] (с полностью размеченным набором обучения).
Строка 7: Строка 8:
В подобных ситуациях ценность частичного обучения сложно переоценить.
В подобных ситуациях ценность частичного обучения сложно переоценить.
-
Примером частичного обучения может послужить сообучение: два или более обучаемых используют один и тот же набор данных, но каждый при обучении использует различные — в идеале независимые — наборы признаков объектов.
+
Примером частичного обучения может послужить сообучение: два или более обучаемых используют один и тот же набор данных, но каждый при обучении использует различные — в идеале независимые — наборы признаков объектов.
Альтернативный подход заключается в моделировании совместного распределения признаков и меток. В таком случае для неразмеченых данных метки могут трактоваться как пропущенные данные. Для построения модели максимального правдоподобия обычно используется [[EM-алгоритм]].
Альтернативный подход заключается в моделировании совместного распределения признаков и меток. В таком случае для неразмеченых данных метки могут трактоваться как пропущенные данные. Для построения модели максимального правдоподобия обычно используется [[EM-алгоритм]].
== Смотри также ==
== Смотри также ==
-
*[[Трансдуктивное обучение]]
+
* [[Трансдуктивное обучение]]
-
*[http://en.wikipedia.org/wiki/Constrained_clustering Constrained clustering]
+
* [http://en.wikipedia.org/wiki/Constrained_clustering Constrained clustering]
== Ссылки ==
== Ссылки ==

Версия 08:00, 5 ноября 2008

Частичное обучение (semi-supervised lerning) — один из методов машинного обучения, использующий при обучении как размеченные, так и неразмеченные данные.

Обычно используется небольшое количество размеченных и значительный объём неразмеченных данных. Частичное обучение является компромисом между обучением без учителя (без каких-либо размеченных обучающих данных) и обучением с учителем (с полностью размеченным набором обучения). Было замечено, что неразмеченные данные, будучи использованными совместно с небольшим количеством размеченных данных, могут обеспечить значительный прирост точности обучения. Сбор размеченных данных для задачи обучения зачастую требует, чтобы квалифицированный эксперт вручную классифицировал объекты обучения. Затраты, связанные с процессом разметки, могут сделать построение полностью размеченного набора прецедентов невозможным, в то время как сбор неразмеченных данных сравнительно недорог. В подобных ситуациях ценность частичного обучения сложно переоценить.

Примером частичного обучения может послужить сообучение: два или более обучаемых используют один и тот же набор данных, но каждый при обучении использует различные — в идеале независимые — наборы признаков объектов.

Альтернативный подход заключается в моделировании совместного распределения признаков и меток. В таком случае для неразмеченых данных метки могут трактоваться как пропущенные данные. Для построения модели максимального правдоподобия обычно используется EM-алгоритм.

Смотри также

Ссылки

Wikipedia: Semi-supervised learning

Категории

Личные инструменты