ارائه یک رویکرد جدید در یادگیری نیمه نظارتی

یادگیری نیمه نظارتی به عنوان یک رویکرد مناسب در زمان کمبود داده های برچسب دار و استفاده از داده های بدونبرچسب در فاز آموزش مطرح شده است. پیدا کردن روشی که از داده های بدون برچسب، بیشترین استفاده را بکند، درکاربردهای عملی ارزش های فوق العادهای دارد. در مراحل اولیه آموزش طبقه بند نیمه نظارتی، انتخاب داده های بدونبرچسبی که مناسب و قابل اطینان باشند از اهمیت خاصی برخودار است. اغلب روش های یادگیری نیمه نظارتی، به نوعیروش خود برچسب زنی هستند لذا جستجو در فضای داده های مساله و انتخاب دادههای مناسب و مطلوب، یکی ازتکنیک هایی است که می تواند دقت طبقه بندی نیمه نظارتی را بالا ببرد. در این مقاله روشی برای طبقه بندی نیمه نظارتی ارائهشده است که با جستجو در فضای داده های مساله، داده های با قابلیت اطمینان بالا را برای طبقه بند نیمه نظارتی فراهم میکند. آزمایشات انجام گرفته بر روی تعدادی از مجموعه داده های استاندارد گویای افزایش دقت طبقه بندی نیمه نظارتیارائه شده، نسبت به روشهای سنتی آن است.

کلیدواژه ها:

یادگیری ماشین ، یادگیری نیمه نظارتی ، طبقه بندی