-
题名基于Tri-training算法的构造性学习方法
被引量：3
- 1
-
-
作者
吴涛
李萍
王允强
-
机构
安徽大学．智能计算与信号处理教育部重点实验室
数学科学学院
-
出处
《计算机工程》
CAS
CSCD
2012年第6期13-15,共3页
-
基金
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)
-
文摘
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。
-
关键词
半监督学习
构造性机器学习
Tri-training算法
覆盖
分类网络
-
Keywords
semi-supervised learning
Constructive Machine Learning（CML）
Tri-training algorithm
covering
classification network
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
