labelspreading在小样本下易失效，因rbf核gamma敏感，需手动调参（1e-3起）、减小n_neighbors、标准化特征；selftrainingclassifier更鲁棒，应降低threshold至0.6～0.65、用简单基模型、控制max_iter、剔除离群未标注点并分簇处理，且标注样本代表性比算法选择更重要。
半监督学习在标注数据极少时确实有用，但直接套用经典算法（比如 LabelPropagation 或 LabelSpreading）往往效果差——不是模型不行，而是默认配置和数据预处理没对上。
为什么 LabelSpreading 在小样本下容易失效
这个 sklearn 实现默认使用 RBF 核，其 gamma 参数对样本间相似度极度敏感。当标注样本只有 5–10 个时，gamma 稍大就会让未标注点几乎只受最近 1–2 个标签影响，传播失效；稍小又导致图结构过平滑，边界模糊。
- 务必手动调
gamma：从1e-3开始试，配合max_iter=3000防止早停 -
n_neighbors别用默认值 10——标注点都不到 10 个，邻居数应设为min(5, len(labeled_indices)) - 输入特征必须标准化：
StandardScaler比MinMaxScaler更稳，否则欧氏距离失真
用 SelfTrainingClassifier 包裹一个弱分类器更靠谱
比起图模型，自训练对极小标注集更鲁棒，关键是控制“伪标签”的质量门槛。sklearn 的实现默认用 threshold=0.75，但在标注极少时，这个阈值常过高，导致几轮后就无新样本加入。
- 把
threshold降到0.6～0.65，尤其当类别不平衡时，可加estimator__class_weight='balanced' - 选基模型：用
DecisionTreeClassifier(max_depth=1)比RandomForest更合适——简单模型泛化强，不易过拟合噪声伪标签 - 必须设
max_iter（比如 10），否则可能陷入“低置信伪标签反复被选中”的死循环
别忽略未标注数据的分布偏移问题
真实场景里，未标注样本常比标注样本覆盖更广的特征空间。如果直接喂给半监督算法，模型会强行把边缘样本也分出标签，拖垮整体精度。
- 先用
IsolationForest或LocalOutlierFactor剔除离群未标注点（contamination=0.05足够） - 对剩余未标注数据做 KMeans（
n_clusters=3），再按簇分别做半监督——不同簇内分布更一致，传播更可信 - 检查伪标签的置信度分布：若多数伪标签集中在
[0.55, 0.65]，说明模型没学出区分能力，该换特征或加人工校验
最麻烦的不是算法选哪个，而是标注样本是否真的有代表性。哪怕只多标 3 个难例（比如靠近决策边界的样本），常比调十次 gamma 更有效。
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！
