计算机应用研究

作者：艾震鹏,王振友,

单位：广东工业大学应用数学学院,广州510520；

关键词：半监督学习,自训练,密度,分类,

基金：广州市科技计划资助项目(201707010435)；广东省研究生教育创新改革项目(2014JGXM-MS17)；；

在实际的分类任务中，无标记样本数量充足而有标记样本数量稀少的情况经常出现，目前处理这种情况的常用方法是半监督自训练分类算法。提出了一种基于数据密度的半监督自训练分类算法，该算法首先依据数据的密度对数据集进行划分，从而确定数据的空间结构；然后再按照数据的空间结构对分类器进行自训练的迭代，最终得到一个新的分类器。在UCI中六个数据集上的实验结果表明，与三种监督学习算法以及其分别对应的自训练版本相比，提出的算法分类效果更好。

来源：2019年第4期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2019年第4期