基于Tri-training算法的构造性学习方法

被引：3

作者：

吴涛 ^{[1
,2
]}

李萍 ^{[2
]}

王允强 ^{[2
]}

机构：

[1] 安徽大学智能计算与信号处理教育部重点实验室

[2] 安徽大学数学科学学院

来源：

计算机工程 | 2012年 / 38卷 / 06期

关键词：

半监督学习; 构造性机器学习; Tri-training算法; 覆盖; 分类网络;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

构造性机器学习(CML)算法在训练分类器时需要大量有标记样本,而获取这些有标记样本十分困难。为此,提出一种基于Tri-training算法的构造性学习方法。根据已标记的样本,采用不同策略构造3个差异较大的初始覆盖分类网络,用于对未标记数据进行标记,再将已标记数据加入到训练样本中,调整各分类网络参数,反复进行上述过程,直至获得稳定的分类器。实验结果证明,与CML算法和基于NB分类器的半监督学习算法相比,该方法的分类准确率更高。

引用

页码：13 / 15

页数：3

共 6 条

[1] 半监督加权模糊C均值聚类算法 [J].