知识卡片
半监督学习
半监督学习是为缓解标签稀缺而产生的:现实中往往只有少量数据带标签,海量数据没有标签,而逐一标注成本高得难以承受——图像识别里轻易能收集上百万张图片,却难以给每张标上类别。它的做法是在训练阶段结合大量无标签数据与少量带标签数据:无标签数据虽不提供类别信息,却蕴含丰富的数据分布信息,这些规律对模型学习起正向帮助,从而提升分类效果。它可细分为纯半监督学习与直推学习,区别在于未标记样本是否就是待预测对象;产品经理只需了解即可。边界在于:若大量无标签数据与少量标注数据分布不一致,强行引入反而会干扰模型。可迁移的启发是,当标注预算有限时,应优先考虑半监督而非放弃未标注数据。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 机器学习入门 1.4.3 半监督学习 · 查看原书依据
半监督学习(Semi-supervised Learning)就是为解决上述问题而产生的,其目的在于利用海量未带标签数据,辅之以少量带标签数据进行学习训练,增强计算机的学习能力 。半监督学习在训练阶段结合了大量无标签数据和少量标签数据。
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第1章《机器学习入门》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00006.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:1.4.3 段用图像标注代价高的案例引出半监督学习,并定义其利用海量无标签数据辅以少量标签数据训练、增强学习能力,支撑本卡结论。
- 原始内容:半监督学习(Semi-supervised Learning)就是为解决上述问题而产生的,其目的在于利用海量未带标签数据,辅之以少量带标签数据进行学习训练,增强计算机的学习能力 。半监督学习在训练阶段结合了大量无标签数据和少量标签数据。