警告、私はこの手順の専門家ではありません。私が良い結果を出せなかったことは、この技術が機能しないことを証明するものではありません。さらに、あなたの画像には、「半教師あり」学習の一般的な説明が含まれています。これは、さまざまな技術を備えた広い領域です。
私はあなたの直感に同意します、私はこのようなテクニックが箱から出してすぐに機能する方法を見ていません。つまり、特定のアプリケーションでうまく機能させるには多くの努力が必要だと思います。その努力は、他のアプリケーションでは必ずしも役立つとは限りません。
私は2つの異なるインスタンスを試しました。1つは例の画像のようなバナナ型のデータセット、もう1つは2つの単純な正規分散クラスターを含む簡単なデータセットです。どちらの場合も、最初の分類子を改善できませんでした。
物事を奨励する小さな試みとして、私はこれがより良い結果をもたらすことを期待してすべての予測された確率にノイズを追加しました。
最初の例では、上の画像をできる限り忠実に再現しました。ここでは、疑似ラベル付けがまったく役に立たないと思います。
2番目の例の方がはるかに簡単ですが、ここでも最初の分類子を改善できません。具体的には、左のクラスの中央から1つのラベル付きポイントを選択し、右のクラスの右側が正しい方向にシフトして、そのような運がなかったことを期待しました。
![例2、2D正規分布データ] =](https://i.stack.imgur.com/EiJc5.png)
例1のコード（例2は十分に似ているので、ここでは複製しません）：
import numpy as np
from sklearn.ensemble import RandomForestClassifier
import matplotlib.pyplot as plt
import seaborn
np.random.seed(2018-10-1)
N = 1000
_x = np.linspace(0, np.pi, num=N)
x0 = np.array([_x, np.sin(_x)]).T
x1 = -1 * x0 + [np.pi / 2, 0]
scale = 0.15
x0 += np.random.normal(scale=scale, size=(N, 2))
x1 += np.random.normal(scale=scale, size=(N, 2))
X = np.vstack([x0, x1])
proto_0 = np.array([[0], [0]]).T # the single "labeled" 0
proto_1 = np.array([[np.pi / 2], [0]]).T # the single "labeled" 1
model = RandomForestClassifier()
model.fit(np.vstack([proto_0, proto_1]), np.array([0, 1]))
for itercount in range(100):
labels = model.predict_proba(X)[:, 0]
labels += (np.random.random(labels.size) - 0.5) / 10 # add some noise
labels = labels > 0.5
model = RandomForestClassifier()
model.fit(X, labels)
f, axs = plt.subplots(1, 2, squeeze=True, figsize=(10, 5))
axs[0].plot(x0[:, 0], x0[:, 1], '.', alpha=0.25, label='unlabeled x0')
axs[0].plot(proto_0[:, 0], proto_0[:, 1], 'o', color='royalblue', markersize=10, label='labeled x0')
axs[0].plot(x1[:, 0], x1[:, 1], '.', alpha=0.25, label='unlabeled x1')
axs[0].plot(proto_1[:, 0], proto_1[:, 1], 'o', color='coral', markersize=10, label='labeled x1')
axs[0].legend()
axs[1].plot(X[~labels, 0], X[~labels, 1], '.', alpha=0.25, label='predicted class 0')
axs[1].plot(X[labels, 0], X[labels, 1], '.', alpha=0.25, label='predicted class 1')
axs[1].plot([np.pi / 4] * 2, [-1.5, 1.5], 'k--', label='halfway between labeled data')
axs[1].legend()
plt.show()
