Semi Supervised and Active Learning

Die Smoothness Assumption sagt aus, dass ähnliche Datenpunkte zu ähnlichen Outputs führen.

Die Low Density Separation Assumption sagt, dass die Trennung der Klassen in weniger dichten Regionen erfolgen sollte.

Und die Cluster Assumption sagt, dass Daten, die in einem dichten Raum beieinander liegen, zu ähnlichen Outputs führen.

unüberwachtes lernen verwendet nur ungelabelte daten

überwachtes lernen verwendet nur gelabelte daten

hier werden sowohl gelabelte als auch ungelabelte daten verwendet

1. trainiere mit gelabelten daten

2. evlauiere ungelabelte daten

3. füge daten bei denn hohe sicherheit besteht dem datensatz hinzu

   
   

die subsets müssen aureichend groß sein um eine gute lernmaschine zu erzeugen

die daten müssen ausserdem unabhängig von einander sein

jedes subset ist ausreichend groß um lernmaschine gut zu trainieren

features können in zwei sets aufgeteilt werden (feature split)

Meta algo

induktiv möchte eine hypothese lernen

transduktiv möchte nur ungelabelte daten labeln

Query synthesis

selective sampling

pool based sampling

frühe fehler summieren sich auf und werden größer

generelle analyse ist kompliziert

anwendbar auf alle klassifikationsmethoden, kann effektiv sein, einfach und oft verwendet

dass manche datenpunkte mehr informationen enhalten als andere

1. feature split

2. trainiere wei lernmaschinen

3. lable ungelabelte daten und füge die bei denn du sicher bist dem jeweils anderen trainingsdatensatz hinzu

4. retrain auf größerem datensatz