10.1.1 常见的学习方式
一、归纳学习与直推式学习
归纳学习(Inductive learning):能够处理全新的数据
给定训练数据集D={(x1,y1),…,(xL,yL)},无标注数据DU={xL+1,…xL+U}(U≫L)
直推式学习(Transductive learning):只能处理见过的数据,对于新的数据需要重新训练模型
给定训练数据集D={(x1,y1),…,(xL,yL)},无标注数据DU={xL+1,…xL+U}(U≫L)
可以没有显式的学习函数,关心的是在DU上的预测
二、半监督学习
半监督分类/回归
给定训练数据集D={(x1,y1),…,(xL,yL)},无标注数据DU={xL+1,…xL+U}(U≫L)
目标:学习一个分类器f,比只用标记数据训练效果更好
半监督聚类/降维
给定标注数据{xi}i=1N
10.1.2 几种假设
一、平滑假设
半监督学习的平滑假设:如果高密度空间中两个点x1,x2距离较近,则对应的输出y1,y2也应该接近
监督学习的平滑假设:如果空间中两个点x1,x2距离较近,那么对应到输出y1,y2也应该接近