《半监督学习方法及应用研究》由会员分享,可在线阅读,更多相关《半监督学习方法及应用研究(68页珍藏版)》请在金锄头文库上搜索。
1、 j 霉 分类号:T P 3 11 密级: l 。 少 单位代码: 学号: 1 0 4 2 2 2 0 0 8 12 5 0 6 篓办孑 硕士学位论文 论文题目:半监督学习方法及应用研究 作 专 导 者 业 师 合作导师 R E A S E A R C HO NS E A 皿双胛E R S E D L E A R N I N G A N D SA P P L I C A r I O N 刘伟涛 计算机系统结构 许信顺副教授 2 0 11 年4 月2 0 日 , 0 l 1 l _ , 一 皤 I Y q l l l l l l l l l l l l l l 9 l l l t13lllll8
2、llt l l 5 l l l t1311111 磐 原创性声明和关于论文使用授权的说明 原创性声明 本人郑重声明:所呈交的学位论文,是本人在导师的指导下,独 立进行研究所取得的成果。除文中已经注明引用的内容外,本论文不 包含任何其他个人或集体已经发表或撰写过的科研成果。对本文的研 究做出重要贡献的个人和集体,均已在文中以明确方式标明。本声明 的法律责任由本人承担。 论文作者签日期: 关于学位论文使用授权的声明 本人完全了解山东大学有关保留、使用学位论文的规定,同意学 校保留或向国家有关部门或机构送交论文的复印件和电子版,允许论 文被查阅和借阅;本人授权山东大学可以将本学位论文的全部或部分 内
3、容编入有关数据库进行检索,可以采用影印、缩印或其他复制手段 保存论文和汇编本学位论文。 ( 保密论文在解密后应遵守此规定) 赫者签一艴名:静 期: 、I I 簟 2 2 半监督学习的分类9 2 2 1 基于概论的方法一9 2 2 2 基于监督算法的方法1 l 2 2 3 基于聚类的方法1 2 2 2 4 基于多视图的方法1 4 2 2 5 基于图的方法1 5 2 3 算法的分析和选择1 8 2 4 本章小结1 8 第3 章聚类理论基础1 9 3 1 聚类分析介绍1 9 3 1 1 数据间相似性度量1 9 3 1 2 类间距离度量2 l 3 2 聚类分析分类2 2 3 2 1 无监督中的聚类2
4、2 3 2 2 半监督中的聚类2 6 3 3 聚类算法评价准则2 7 3 3 1 致密度度量准则2 7 山东大学硕士学位论文 3 3 2 划分评价准则2 7 3 3 3C R 准则2 8 3 3 4D a v i d B o u l d i n 准则2 8 3 4 本章小结2 8 第4 章利用无标记样本结构信息的自训练算法2 9 4 1 引论2 9 4 2 自标记样本的选择一3 l 4 3 错标样本剔除一3 3 4 4 实验结果及其分析一3 6 4 4 1 实验环境3 6 4 4 2 实验设置3 8 4 4 3 实验结果3 9 4 5 本章小结4 2 第5 章总结与展望4 4 参考文献4 5
5、致 射5 4 攻读学位期间发表的学术论文目录一5 5 山东大学硕士学位论文 T A B L EO FC o N T E N T S A b s t r a c ti nC h i n e s e 】 A b s t r a c ti nE n g l i s h I I C h a p t e r1 I n t r o d u c t i o n 1 1 1R e s e a r c hB a c k g r o u d 1 1 2R e s e a r c hP u r p o s ea n dS i g n i f i c a n c e 3 1 3M a i nW o r k sa n
6、dI n n o v a t i o n s 3 C h a p t e r2S e m i - s u p e r v i s e dL e a r n i n gT h e o r y 5 2 1I n t r o d u t i o nt oM a c h i n eL e a r n i n g 5 2 1 1U n s u p e r v i s e dL e a r n i n g 6 2 1 2S u p e r v i s e d L e a f i n g 7 2 1 3S e m i - s u p e r v i s e dL e a r n i n g 8 2 2T h
7、 eC l a s s i f i c a t i o no fS e m i s u p e r v i s e dL e a r n i n g 9 2 2 1M e t h o d sb a s e do nP r o b a b i l i t y 9 2 2 2M e t h o d sb a s e do nS u p e r v i s e dL e a r n i n g 1 l 2 2 3M e t h o d sb a s e do nC l u s t e r i n g 1 2 2 2 4M e t h o d sb a s e do nM u l t i v i e
8、w 1 4 2 2 5M e t h o d sb a s e do nG r a p h 1 5 2 3T h eS e l e c t i o na n dA n a l y s i so f A l g o r i t h m 1 8 2 4S a m m a r y 1 8 C h a p t e r3C l u s t e r i n gT h e o r y 1 9 3 1I n t r o d u c t i o nt oC l u s t e r i n g 1 9 3 1 1S i m i l a r i t ym e a s u r e m e n tb e t w e e
9、 nD a t a 1 9 3 1 2D i s t a n c em e a s u r e b e t w e e nC l a s s e s 2 1 3 2T h eC l a s s i f i c a t i o no f C l u s t e r i n g 2 2 3 2 1C l u s t e r i n gi nU n s u p e r v i s e dL e a r n i n g 2 2 3 2 2C l u s t e r i n gi nS e m i s u p e r v i s e dL e a r n i n g 2 6 3 3T h eC r i t e r i o no fC l u s t e r i n gS e l e c t i o n 2 7 3 3 1D e n s t i t yC r i t e r i o n 2 7 一 一 山东大学硕士学位论文 摘要 传统的机器学习的研究中往往倾向于将有标签的数据和无标签的数据 分开研究,但是在现实生活中,这两种情况往往是并存的。半监督学习便 由此应运而生,在传统应用中往往将半监督作为一个聚类的改进方法,却 没有将聚类的优势应用于半监督学习中,因此本文就此进行了