طبقه‌بندی خودآموز نیمه‌نظارتی مبتنی بر ساخت همسایگی

به‌کارگیری داده‌های بدون برچسب در خودآموزی نیمه‌نظارتی می‌تواند به طور قابل توجهی دقت طبقه‌بند نظارت‌شده را بهبود بخشد، اما در برخی موارد ممکن است دقت طبقه‌بندی را به مقدار چشم‌گیری کاهش دهد. یکی از دلایل چنین تنزلی، برچسب‌گذاری اشتباه به داده‌های بدون برچسب می‌باشد. در این مقاله، روشی را برای برچسب‌گذاری با قابلیت اطمینان بالا به داده‌های بدون برچسب پیشنهاد می‌کنیم. طبقه‌بند پایه در الگوریتم پیشنهادی، ماشین بردار پشتیبان است. در این روش، برچسب‌گذاری فقط به مجموعه‌ای از داده‌های بدون برچسب که از مقدار مشخصی به مرز تصمیم نزدیک‌تر هستند انجام می‌شود. به این داده‌ها، داده‌های دارای اطلاعات می‌گویند. اضافه‌شدن داده‌های دارای اطلاعات به مجموعه آموزشی در صورتی که برچسب آنها به درستی پیش‌بینی شود در دستیابی به مرز تصمیم بهینه تاثیر به‌سزایی دارد. برای کشف ساختار برچسب‌زنی در فضای داده از الگوریتم اپسیلون همسایگی (dbscan) استفاده شده است. آزمایش‌های مقایسه‌ای روی مجموعه داده‌های uci نشان می‌دهند که روش پیشنهادی برای دستیابی به دقت بیشتر طبقه‌بند نیمه‌نظارتی خودآموز به نسبت برخی از کار‌های قبلی عملکرد بهتری دارد.

semisupervised selftraining classification based on neighborhood construction

using the unlabeled data in the semisupervised learning can significantly improve the accuracy of supervised classification. but in some cases, it may dramatically reduce the accuracy of the classification. the reason of such degradation is incorrect labeling of unlabeled data. in this article, we propose the method for high confidence labeling of unlabeled data. the base classifier in the proposed algorithm is the support vector machine. in this method, the labeling is performed only on the set of the unlabeled data that is closer to the decision boundary from the threshold. this data is called informative data. the adding informative data to the training set has a great effect to achieve the optimal decision boundary if the predicted label is correctly. the epsilon neighborhood algorithm (dbscan) is used to discover the labeling structure in the data space. the comparative experiments on the uci dataset show that the proposed method outperforms than some of the previous work to achieve greater accuracy of the selftraining semisupervised classification.