很多算法工程師說，給我標注好標簽，我上去一把梭就搞定了。

標注這件事是有成本的，現實生活中，無標簽的數據易于獲取，而有標簽的數據收集起來通常很困難，標注也耗時和耗力。

在這種情況下，半監督學習（Semi-Supervised Learning）應運而生，一種用于解決有一些少量帶標簽的樣本，和大量無標簽的樣本的場景下的算法。

偽標簽學習（pseudo learning），算是半監督學習算法里面一個strong ?baseline吧。

這也是我們前面提到的少有的在很多數據集上通用的刷分方法。

所有數據集上給神經網絡刷分的通用方法

其原理用一句話說，用少量的有標注數據訓練模型，推導出無標注數據的近似標簽，或者軟標簽。加回去訓練就行。

像不像武當縱云梯，左腳踩右腳。

聽起來挺離譜的，我們把步驟用偽代碼實現一下。

model1.fit(train_set,label,??val=validation_set)?#step1 pseudo_label=model.pridict(test_set)??#step2 new_label?=?concat(pseudo_label,?label)?#step3 new_train_set?=??concat(test_set,?train_set)??#step3 model2.fit(new_train_set,?new_label,???val=validation_set)?#step4 final_predict?=?model2.predict(test_set)?#step5

用網上一個經典的圖來說就是。

具體的步驟可以對應著偽代碼中的注釋

step1&2:將有標簽部分數據分為兩份：train_set&validation_set，并訓練出最優的model1

step3:用model1對未知標簽數據(test_set)進行預測，給出偽標簽結果pseudo-labeled

step4:將train_set和pseudo-labeled 融合作為新的new_train_set，訓練出最優的model2

step5:再用model2對未知標簽數據(test_set)進行預測，驗證還是用之前的validation_set，得到最終的final result label

注意一個細節，驗證集validation_set從頭到尾都沒有參與到訓練之中，這是為了防止leak。

往期精彩回顧適合初學者入門人工智能的路線及資料下載(圖文+視頻)機器學習入門系列下載中國大學慕課《機器學習》（黃海廣主講）機器學習及深度學習筆記等資料打印《統計學習方法》的代碼復現專輯 AI基礎下載機器學習交流qq群955171419，加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【机器学习】5行代码在小数据集上涨点的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。