자가 훈련의 개념과 준지도 학습과의 연관성

자가 훈련은 부드러움과 클러스터링 가정을 포함하는 준지도 분류 방법입니다. 따라서 이를 자기라벨링(Self-Labeling) 또는 의사결정지향학습(Decision-Oriented Learning)이라고도 합니다.

일반적으로 레이블이 지정된 데이터 세트에 데이터 생성 프로세스에 대한 많은 정보가 포함되어 있고 레이블이 지정되지 않은 샘플이 알고리즘을 미세 조정하는 데만 사용되는 경우 자가 학습은 좋은 선택입니다.

그러나 이러한 조건이 충족되지 않으면 자체 훈련 결과가 이상적이지 않습니다. 따라서 자가 훈련은 라벨이 붙은 샘플에 크게 의존합니다.

자가 훈련의 각 단계는 현재 결정 기능에 따라 레이블이 지정되지 않은 데이터에 레이블을 지정하고 예측을 사용하여 재훈련합니다.

자가 학습 작동 방식

이전에 학습된 지도 모델에서 예측한 의사 레이블에 맞게 알고리즘을 자체 학습합니다.

Self-training의 핵심은 다음과 같습니다

데이터 인스턴스는 훈련 세트와 테스트 세트로 나뉘며, 분류 알고리즘은 레이블이 지정된 훈련 데이터에 대해 훈련됩니다. 데이터 포인트를 평가하고 신뢰도 벡터를 사용하여 예측을 나타냅니다.

2. 최대 신뢰도와 관련된 상위 K 값을 선택하고 레이블이 지정된 데이터세트에 추가합니다.

3. 분류기는 레이블이 지정된 테스트 데이터 인스턴스의 클래스 레이블을 예측하고 선택한 측정항목을 사용하여 분류기 성능을 평가합니다.

4. 분류자는 새로운 레이블이 지정된 데이터 세트를 사용하여 재교육됩니다.

자가 훈련은 레이블이 지정된 데이터 세트의 구조를 활용하여 적합한 분리 초표면을 찾습니다. 이 프로세스 후에는 레이블이 지정되지 않은 샘플이 평가되고 충분한 신뢰도로 분류된 포인트가 새 훈련 세트에 포함됩니다. 자체 훈련 알고리즘은 모든 데이터 포인트가 분류될 때까지 이 프로세스를 반복합니다.

위 내용은 자가 훈련의 개념과 준지도 학습과의 연관성의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!