半監督分類

A. 適合於多分類的半監督學習演算法有哪些

maxsoft作為logistics二分類的改進版，天生適合多分類；神經網路(如bp神經網路，隨機權神經網路，RBF神經網路等)；通過建立多個支持向量機或者最小二乘支持向量機分類模型，通過投票演算法選擇概率最大的分類標簽；也可以通過聚類演算法(KNN，kMeans等)等無監督學習演算法實現分類。或許不太完善，歡迎補充。(機器學習演算法與Python學習)

B. 人工智慧的分類包括哪些

人工智慧領域的分類包括，研究包括機器人、圖像識別、語言識別、自然語言處理和專家系統等。人工智慧是一門極富挑戰性的科學，從事這項工作的人，必須懂得計算機知識、心理學和哲學。
人工智慧主要有三個分支：

1) 認知AI （cognitive AI）  

認知計算是最受歡迎的一個人工智慧分支，負責所有感覺「像人一樣」的交互。認知AI必須能夠輕松處理復雜性和二義性，同時還持續不斷地在數據挖掘、NLP（自然語言處理）和智能自動化的經驗中學習。                   

現在人們越來越傾向於認為認知AI混合了人工智慧做出的最好決策和人類工作者們的決定，用以監督更棘手或不確定的事件。這可以幫助擴大人工智慧的適用性，並生成更快、更可靠的答案。

2) 機器學習AI （Machine Learning AI）   

機器學習（ML）AI是能在高速公路上自動駕駛你的特斯拉的那種人工智慧。它還處於計算機科學的前沿，但將來有望對日常工作場所產生極大的影響。機器學習是要在大數據中尋找一些「模式」，然後在沒有過多的人為解釋的情況下，用這些模式來預測結果，而這些模式在普通的統計分析中是看不到的。                

然而機器學習需要三個關鍵因素才能有效：                  

a) 數據，大量的數據                     

為了教給人工智慧新的技巧，需要將大量的數據輸入給模型，用以實現可靠的輸出評分。例如特斯拉已經向其汽車部署了自動轉向特徵，同時發送它所收集的所有數據、駕駛員的干預措施、成功逃避、錯誤警報等到總部，從而在錯誤中學習並逐步銳化感官。 一個產生大量輸入的好方法是通過感測器：無論你的硬體是內置的，如雷達，相機，方向盤等（如果它是一輛汽車的話），還是你傾向於物聯網(Internet of Things)。藍牙信標、健康跟蹤器、智能家居感測器、公共資料庫等只是越來越多的通過互聯網連接的感測器中的一小部分，這些感測器可以生成大量數據（多到讓任何正常的人來處理都太多）。

C. 適合於多分類的半監督學習演算法有哪些

樸素貝葉斯(Naive Bayes, NB)
超級簡單，就像做一些數數的工作。如果條件獨立假設成立的話，NB將比鑒別模型（如Logistic回歸）收斂的更快，所以你只需要少量的訓練數據。即使條件獨立假設不成立，NB在實際中仍然表現出驚人的好。如果你想做類似半監督學習，或者是既要模型簡單又要性能好，NB值得嘗試。

Logistic回歸(Logistic Regression, LR)
LR有很多方法來對模型正則化。比起NB的條件獨立性假設，LR不需要考慮樣本是否是相關的。與決策樹與支持向量機（SVM）不同，NB有很好的概率解釋，且很容易利用新的訓練數據來更新模型（使用在線梯度下降法）。如果你想要一些概率信息（如，為了更容易的調整分類閾值，得到分類的不確定性，得到置信區間），或者希望將來有更多數據時能方便的更新改進模型，LR是值得使用的。

決策樹（Decision Tree, DT）
DT容易理解與解釋（對某些人而言——不確定我是否也在他們其中）。DT是非參數的，所以你不需要擔心野點（或離群點）和數據是否線性可分的問題（例如，DT可以輕松的處理這種情況：屬於A類的樣本的特徵x取值往往非常小或者非常大，而屬於B類的樣本的特徵x取值在中間范圍）。DT的主要缺點是容易過擬合，這也正是隨機森林（Random Forest, RF）（或者Boosted樹）等集成學習演算法被提出來的原因。此外，RF在很多分類問題中經常表現得最好（我個人相信一般比SVM稍好），且速度快可擴展，也不像SVM那樣需要調整大量的參數，所以最近RF是一個非常流行的演算法。

支持向量機（Support Vector Machine, SVM）
很高的分類正確率，對過擬合有很好的理論保證，選取合適的核函數，面對特徵線性不可分的問題也可以表現得很好。SVM在維數通常很高的文本分類中非常的流行。由於較大的內存需求和繁瑣的調參，我認為RF已經開始威脅其地位了。

回到LR與DT的問題（我更傾向是LR與RF的問題），做個簡單的總結：兩種方法都很快且可擴展。在正確率方面，RF比LR更優。但是LR可以在線更新且提供有用的概率信息。鑒於你在Square(不確定推斷科學家是什麼，應該不是有趣的化身)，可能從事欺詐檢測：如果你想快速的調整閾值來改變假陽性率與假陰性率，分類結果中包含概率信息將很有幫助。無論你選擇什麼演算法，如果你的各類樣本數量是不均衡的（在欺詐檢測中經常發生），你需要重新采樣各類數據或者調整你的誤差度量方法來使各類更均衡。

D. 標簽傳播演算法是一種分類演算法，還是聚類演算法

在聚類分析中,K-均值聚類演算法（k-meansalgorithm）是無監督分類中的一種基本方法,其也稱為C-均值演算法,其基本思想是：通過迭代的方法,逐次更新各聚類中心的值,直至得到最好的聚類結果.\x0d假設要把樣本集分為c個類別,演算法如下：\x0d（1）適當選擇c個類的初始中心；\x0d（2）在第k次迭代中,對任意一個樣本,求其到c個中心的距離,將該樣本歸到距離最短的中心所在的類,\x0d（3）利用均值等方法更新該類的中心值；\x0d（4）對於所有的c個聚類中心,如果利用（2）（3）的迭代法更新後,值保持不變,則迭代結束,否則繼續迭代.\x0d下面介紹作者編寫的一個分兩類的程序,可以把其作為函數調用.\x0d%%function[samp1,samp2]=kmeans(samp);作為調用函數時去掉注釋符\x0dsamp=[11.15066.72222.31395.901811.08275.745913.217413.82434.80050.937012.3576];%樣本集\x0d[l0l]=size(samp);\x0d%%利用均值把樣本分為兩類,再將每類的均值作為聚類中心\x0dth0=mean(samp);n1=0;n2=0;c1=0.0;c1=double(c1);c2=c1;fori=1:lifsamp(i)<th0\x0dc1=c1+samp(i);n1=n1+1;elsec2=c2+samp(i);n2=n2+1;endendc1=c1/n1;c2=c2/n2;%初始聚類中心t=0;cl1=c1;cl2=c2;\x0dc11=c1;c22=c2;%聚類中心whilet==0samp1=zeros(1,l);\x0dsamp2=samp1;n1=1;n2=1;fori=1:lifabs(samp(i)-c11)<abs(samp(i)-c22)\x0dsamp1(n1)=samp(i);\x0dcl1=cl1+samp(i);n1=n1+1;\x0dc11=cl1/n1;elsesamp2(n2)=samp(i);\x0dcl2=cl2+samp(i);n2=n2+1;\x0dc22=cl2/n2;endendifc11==c1&&c22==c2t=1;endcl1=c11;cl2=c22;\x0dc1=c11;c2=c22;\x0dend%samp1,samp2為聚類的結果.\x0d初始中心值這里採用均值的法,也可以根據問題的性質,用經驗的方法來確定,或者將樣本集隨機分成c類,計算每類的均值.\x0dk-均值演算法需要事先知道分類的數量,這是其不足之處.

E. 演算法有哪些分類

（一）基本演算法 : 1.枚舉 2.搜索: 深度優先搜索 廣度優先搜索 啟發式搜索 遺傳演算法 （二）數據結構的演算法 （三）數論與代數演算法 （四）計算幾何的演算法：求凸包 （五）圖論 演算法： 1.哈夫曼編碼 2.樹的遍歷 3.最短路徑 演算法 4.最小生成樹 演算法 5.最小樹形圖 6.網路流 演算法 7.匹配演算法 （六）動態規劃 （七）其他： 1.數值分析 2.加密演算法 3.排序 演算法 4.檢索演算法 5.隨機化演算法

F. 機器學習的分類

您好。您說的是情感文本分析嗎？如果是的話，我覺得情感計算的分類有兩大類，一類是主觀性：主觀、客觀、中性；一類是情感傾向：褒義、貶義、中性。
文本分析的話，主要是對詞、句子中觀點的挖掘。
你所說的機器學習法，現在基本用於對電影觀點的打分系統吧。基本上就是利用分類計數，對文檔中存在的情感進行分類的。
就我個人理解而言，我認為機器學習法只是情感文本分析的方法論之一，至於數據挖掘，也是通過對文檔的數據收取，進行情感分析的。也是對情感文本分析的方法論之一。
所以，情感分析是主體的話，文本分類、機器學習、數據挖掘都是方式方法。這些方法可以共同應用在一個情感分析中，也可以分別獨立存在。
目前英文類的文本情感分析比較多，中文類的相對少一點，你要做這方面的研究路漫漫其修遠啊。嘿嘿。

G. 如何理解半監督的樸素貝葉斯分類演算法

為了測試評估貝葉斯分類器的性能,用不同數據集進行對比實驗是必不可少的. 現有的回貝葉斯網路實驗軟體包答都是針對特定目的設計的,不能滿足不同研究的需要. 介紹了用Matlab在BNT軟體包基礎上建構的貝葉斯分類器實驗平台MBNC,闡述了MBNC的系統結構和主要功能,以及在MBNC上建立的樸素貝葉斯分類器NBC,基於互信息和條件互信息測度的樹擴展的貝葉斯分類器TANC,基於K2演算法和GS演算法的貝葉斯網路分類器BNC. 用來自UCI的標准數據集對MBNC進行測試,實驗結果表明基於MBNC所建構的貝葉斯分類器的性能優於國外同類工作的結果,編程量大大小於使用同類的實驗軟體包,所建立的MBNC實驗平台工作正確、有效、穩定. 在MBNC上已經進行貝葉斯分類器的優化和改進實驗,以及處理缺失數據等研究工作

H. 急求最近鄰演算法的半監督學習演算法對vehicle數據分類的matlab程序

• 嗯嗯嗯
  

I. 圖案卷半監督分類代碼中數據集是什麼文件,我用自己的.mat數據集該如何預處理

你曾說，富貴又如何，柴門竹籬花下

J. 機器學習有哪些分類

機器學習可以分成下面幾種類別：
監督學習從給定的訓練數據集中學習出一個函數，當新的數據到來時，可以根據這個函數預測結果。監督學習的訓練集要求是包括輸入和輸出，也可以說是特徵和目標。訓練集中的目標是由人標注的。常見的監督學習演算法包括回歸分析和統計分類。
監督學習和非監督學習的差別就是訓練集目標是否人標注。他們都有訓練集 且都有輸入和輸出
無監督學習與監督學習相比，訓練集沒有人為標注的結果。常見的無監督學習演算法有生成對抗網路、聚類。
半監督學習介於監督學習與無監督學習之間。
增強學習機器為了達成目標，隨著環境的變動，而逐步調整其行為，並評估每一個行動之後所到的回饋是正向的或負向的。