Маркировка новых данных с помощью полууправляемого классификатора на основе графов
Использовать как помеченные, так и немаркированные данные для обучения SemiSupervisedGraphModel объект. Маркировка новых данных с использованием обученной модели.
Случайным образом генерируют 15 наблюдений помеченных данных с 5 наблюдениями в каждом из трех классов.
rng('default') % For reproducibility labeledX = [randn(5,2)*0.25 + ones(5,2); randn(5,2)*0.25 - ones(5,2); randn(5,2)*0.5]; Y = [ones(5,1); ones(5,1)*2; ones(5,1)*3];
Случайная генерация 300 дополнительных наблюдений немеченых данных с 100 наблюдениями на класс.
unlabeledX = [randn(100,2)*0.25 + ones(100,2);
randn(100,2)*0.25 - ones(100,2);
randn(100,2)*0.5];Подгонка меток к немеченым данным с помощью метода, основанного на полуконтролированном графике. Укажите расширение метки в качестве алгоритма маркировки и используйте автоматически выбранный масштабный коэффициент ядра. Функция fitsemigraph возвращает SemiSupervisedGraphModel объект, чей FittedLabels содержит соответствующие метки для немаркированных данных и LabelScores содержит связанные оценки меток.
Mdl = fitsemigraph(labeledX,Y,unlabeledX,'Method','labelspreading', ... 'KernelScale','auto')
Mdl =
SemiSupervisedGraphModel with properties:
FittedLabels: [300x1 double]
LabelScores: [300x3 double]
ClassNames: [1 2 3]
ResponseName: 'Y'
CategoricalPredictors: []
Method: 'labelspreading'
Properties, Methods
Случайная генерация 150 наблюдений новых данных с 50 наблюдениями на класс. В целях проверки следует отслеживать истинные метки для новых данных.
newX = [randn(50,2)*0.25 + ones(50,2);
randn(50,2)*0.25 - ones(50,2);
randn(50,2)*0.5];
trueLabels = [ones(50,1); ones(50,1)*2; ones(50,1)*3];Спрогнозировать метки для новых данных с помощью predict функции SemiSupervisedGraphModel объект. Сравните истинные метки с прогнозируемыми метками с помощью матрицы путаницы.
predictedLabels = predict(Mdl,newX); confusionchart(trueLabels,predictedLabels)
Только 3 из 150 наблюдений в newX имеют неправильную маркировку.
Чтобы подогнать метки к немаркированным учебным данным, fitsemigraph строит график подобия с помеченными и немечеными наблюдениями в качестве узлов и распределяет информацию метки из помеченных наблюдений в немеченые наблюдения, используя распространение метки или расширение метки. Получающееся SemiSupervisedGraphModel объект сохраняет подогнанные метки и оценки меток для немеченых данных в своих FittedLabels и LabelScores соответственно.
Чтобы предсказать метку нового наблюдения x, predict функция использует взвешенное среднее соседних показателей наблюдения для вычисления показателей метки для x, а именно , xj).
n - количество наблюдений в данных обучения.
Fxj - вектор строки показателей метки для обучающего наблюдения xj (или узла j). Дополнительные сведения о вычислении показателей меток для учебных наблюдений см. в разделе Алгоритмы.
S (x, xj) - парное сходство между новым наблюдением x и тренировочным наблюдением xj, где S (xi, xj) = Si, j является таким, как определено на графике подобия.
Столбец с максимальным баллом в Fx соответствует прогнозируемой метке класса для x. Для получения дополнительной информации см. [1].
[1] Делальо, Оливье, Йошуа Бенгио и Николя Ле Ру. «Эффективная индукция непараметрических функций в полууправляемом обучении». Материалы десятого Международного практикума по искусственному интеллекту и статистике. 2005.