半监督学习是高效利用少量标注与大量未标注数据的关键路径，核心是让模型从数据分布中挖掘结构信息以提升泛化能力；适用于标注成本高、未标注数据远多于已标注数据且同分布的场景；主流策略包括自训练、一致性正则和图半监督，均有成熟python实现。
缺标签数据在实际项目中很常见，半监督学习是高效利用少量标注+大量未标注数据的关键路径。核心思路不是“等标签”，而是让模型自己从数据分布中挖掘结构信息，辅助提升泛化能力。
一、什么时候该用半监督学习？
当满足以下至少两点时，半监督方法往往比单纯丢弃无标签样本或强行人工补标更划算：
- 标注成本高（如医学图像判读、专业文本标注）
- 未标注样本数量远大于已标注样本（常见比例为10:1甚至100:1）
- 未标注数据与标注数据来自同一分布（不能拿网页文本去辅助训练CT影像模型）
二、主流策略与对应Python实现方式
不用从零造轮子，主流策略已有成熟封装，重点是选对方法+调好关键参数：
-
自训练（Self-training）：用初始标注集训一个模型，对高置信度未标注样本预测伪标签，加入训练集迭代优化。scikit-learn没直接实现，但可用
sklearn.ensemble.RandomForestClassifier+predict_proba手动实现；更推荐用modAL库的ActiveLearner模块，支持置信度阈值控制和自动样本筛选。 - 一致性正则（Mean Teacher / Pi Model）：对同一未标注样本加不同扰动（如小幅度裁剪、高斯噪声），要求模型输出一致。PyTorch生态有semi-supervised-pytorch和fixmatch-pytorch可直接调用，关键是设置合理的扰动强度和一致性权重（通常0.5~3.0之间试）。
-
图半监督（Label Propagation / Label Spreading）：把所有样本（含未标注）建模为图节点，用相似度定义边权，让标签沿高相似边传播。sklearn自带
sklearn.semi_supervised.LabelPropagation和LabelSpreading，适合中小规模（
三、避坑要点：三个容易忽略但影响巨大的细节
半监督效果不稳定？大概率卡在这几个实操环节：
- 未标注数据必须清洗——混入明显异常或跨域样本会污染伪标签，建议先用孤立森林（
sklearn.ensemble.IsolationForest）或聚类（KMeans）粗筛一遍再投入训练 - 伪标签质量比数量重要——自训练中宁可只加100个99%置信度样本，也不要加1000个70%置信度样本；可在每次迭代后用验证集评估伪标签准确率，低于阈值（如85%）就停止加新标签
- 模型容量要匹配——太简单的模型（如线性SVM）难以从无标签数据中提取有效结构；太复杂的模型（如深层ResNet）容易过拟合少量标注数据。建议从LightGBM（表格）或ResNet-18（图像）起步，再逐步调整
基本上就这些。半监督不是魔法，它放大你已有标注的质量，也放大数据本身的偏差。动手前花半天检查数据分布和标注逻辑，比调三天超参更管用。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
