Сгенерируйте данные

Сгенерируйте данные из двух полулуний. Определите, к каким лунным новым точкам принадлежит, используя основанные на графе и самообучение полууправляемые методы.

Создайте пользовательскую функцию twomoons (показан в конце этого примера). Эта функция принимает входной параметр n и создает n точки в каждой из двух переплетенных полулуний: верхняя луна, которая вогнута вниз, и нижняя луна, которая вогнута вверх.

Сгенерируйте набор из 40 маркированных точек данных с помощью twomoons функция. Каждая точка в X находится в одной из двух лун, с соответствующей меткой Луны, сохраненной в векторе label.

rng('default') % For reproducibility
[X,label] = twomoons(20);

Визуализируйте точки с помощью графика поля точек. Точки в одной луне имеют одинаковый цвет.

scatter(X(:,1),X(:,2),[],label,'filled')
title('Labeled Data')

Сгенерируйте набор из 400 немаркированных точек данных с помощью twomoons функция. Каждая точка в newX принадлежит одному из двух спутников, но соответствующая лунная метка неизвестна.

newX = twomoons(200);

Маркируйте данные с помощью основанного на графе метода

Пометьте немаркированные данные в newX при помощи полууправляемого метода на основе графа. По умолчанию fitsemigraph создает график подобия из данных в X и newX, и использует метод распространения меток, чтобы подгонять метки к newX.

graphMdl = fitsemigraph(X,label,newX)

graphMdl = 
  SemiSupervisedGraphModel with properties:

             FittedLabels: [400x1 double]
              LabelScores: [400x2 double]
               ClassNames: [1 2]
             ResponseName: 'Y'
    CategoricalPredictors: []
                   Method: 'labelpropagation'


  Properties, Methods

Функция возвращает SemiSupervisedGraphModel объект, чей FittedLabels свойство содержит установленные метки для немаркированных данных и LabelScores свойство содержит связанные счета меток.

Визуализируйте результаты подгонки метки с помощью графика поля точек. Используйте подобранные метки, чтобы задать цвет точек, и используйте максимальные счета меток, чтобы задать прозрачность точек. Точки с меньшей прозрачностью маркируются с большей доверие.

maxGraphScores = max(graphMdl.LabelScores,[],2);
rescaledGraphScores = rescale(maxGraphScores,0.05,0.95);
scatter(newX(:,1),newX(:,2),[],graphMdl.FittedLabels,'filled', ...
    'MarkerFaceAlpha','flat','AlphaData',rescaledGraphScores);
title(["Fitted Labels for Unlabeled Data","(Graph-Based)"])

Этот метод, по-видимому, помечает newX точность точек. Две луны визуально различны, и точки, которые маркированы с наибольшей неопределенностью, лежат на контуре между двумя формами.

Маркируйте данные с помощью самометода обучения

Пометьте немаркированные данные в newX при использовании полууправляемого самометода обучения. По умолчанию fitsemiself использует модель машины опорных векторов (SVM) с Гауссовым ядром, чтобы итерационно пометить данные.

selfSVMMdl = fitsemiself(X,label,newX)

selfSVMMdl = 
  SemiSupervisedSelfTrainingModel with properties:

             FittedLabels: [400x1 double]
              LabelScores: [400x2 double]
               ClassNames: [1 2]
             ResponseName: 'Y'
    CategoricalPredictors: []
                  Learner: [1x1 classreg.learning.classif.CompactClassificationSVM]


  Properties, Methods

Функция возвращает SemiSupervisedSelfTrainingModel объект, чей FittedLabels свойство содержит установленные метки для немаркированных данных и LabelScores свойство содержит связанные счета меток.

Визуализируйте результаты подгонки метки с помощью графика поля точек. Как и прежде, используйте подобранные метки, чтобы задать цвет точек, и используйте максимальные счета меток, чтобы задать прозрачность точек.

maxSVMScores = max(selfSVMMdl.LabelScores,[],2);
rescaledSVMScores = rescale(maxSVMScores,0.05,0.95);
scatter(newX(:,1),newX(:,2),[],selfSVMMdl.FittedLabels,'filled', ...
    'MarkerFaceAlpha','flat','AlphaData',rescaledSVMScores);
title(["Fitted Labels for Unlabeled Data","(Self-Training: SVM)"])

Этот метод с учащимся SVM также, по-видимому, помечает newX точность точек. Две луны визуально различны, и точки, которые маркированы с наибольшей неопределенностью, лежат на контуре между двумя формами.

Однако некоторые учащиеся могут не пометить немаркированные данные как эффективные. Например, используйте древовидную модель вместо модели SVM по умолчанию, чтобы пометить данные в newX.

selfTreeMdl = fitsemiself(X,label,newX,'Learner','tree');

Визуализируйте результаты подгонки метки.

maxTreeScores = max(selfTreeMdl.LabelScores,[],2);
rescaledTreeScores = rescale(maxTreeScores,0.05,0.95);
scatter(newX(:,1),newX(:,2),[],selfTreeMdl.FittedLabels,'filled', ...
    'MarkerFaceAlpha','flat','AlphaData',rescaledTreeScores);
title(["Fitted Labels for Unlabeled Data","(Self-Training: Tree)"])

Этот метод, с учеником дерева, неправильно помечает многие точки в верхней луне. Когда вы используете полууправляемый самометод обучения, убедитесь, что использовали базового учащегося, который подходит для структуры ваших данных.

Этот код создает функцию twomoons.

function [X,label] = twomoons(n) % Generate two moons, with n points in each moon.

% Specify the radius and relevant angles for the two moons.
noise = (1/6).*randn(n,1);
radius = 1 + noise;
angle1 = pi + pi/10;
angle2 = pi/10;

% Create the bottom moon with a center at (1,0).
bottomTheta = linspace(-angle1,angle2,n)';
bottomX1 = radius.*cos(bottomTheta) + 1;
bottomX2 = radius.*sin(bottomTheta);

% Create the top moon with a center at (0,0).
topTheta = linspace(angle1,-angle2,n)';
topX1 = radius.*cos(topTheta);
topX2 = radius.*sin(topTheta);

% Return the moon points and their labels.
X = [bottomX1 bottomX2; topX1 topX2];
label = [ones(n,1); 2*ones(n,1)];
end