10.3969/j.issn.1000-3428.2012.06.004
基于Tri-training算法的构造性学习方法
构造性机器学习(CML)算法在训练分类器时需要大量有标记样本,而获取这些有标记样本十分困难.为此,提出一种基于Tri-training算法的构造性学习方法.根据已标记的样本,采用不同策略构造3个差异较大的初始覆盖分类网络,用于对未标记数据进行标记,再将已标记数据加入到训练样本中,调整各分类网络参数,反复进行上述过程,直至获得稳定的分类器.实验结果证明,与CML算法和基于NB分类器的半监督学习算法相比,该方法的分类准确率更高.
半监督学习、构造性机器学习、Tri-training算法、覆盖、分类网络
38
TP301.6(计算技术、计算机技术)
国家“973”计划基金资助项目2007BC311003;国家自然科学基金资助项目61073117;安徽大学创新团队基金资助项目KJTD001B
2012-05-25(万方平台首次上网日期,不代表论文的发表时间)
共3页
13-15