Si te refieres a un SVM transductor, entonces, sí, se puede hacer usando códigos estándar.
El TSVM emplea un tipo de meta-heurística transductiva que puede implementarse como un envoltorio alrededor del código existente.
Aún así, efectivamente, necesitará escribir su propio solucionador SVM utilizando algunas técnicas anticuadas. La idea se describe en
- Cómo crear un algoritmo de clasificación eficiente y preciso tan rápido como pueda
- ¿Qué debo hacer si determino que los resultados de mi conjunto de datos de entrenamiento difieren mucho de los resultados de mi conjunto de datos de prueba?
- Modelos ocultos de Markov: ¿cómo se obtiene el siguiente valor observado pronosticado de un HMM?
- ¿Es útil el aprendizaje automático en el campo de la ingeniería eléctrica?
- ¿Qué debo hacer para comprender las matemáticas y los algoritmos detrás de la propagación inversa, CNN y RNN?
http://vikas.sindhwani.org/svmli…
Yo lo llamo Meta Heurística Transductiva
porque es un tipo de heurística que permite el aprendizaje transductivo
para una amplia gama de métodos: una meta heurística
Para que esto funcione, necesitamos un SVM que permita pesos de muestra
ver
http://scikit-learn.org/stable/m…
y el método
ajuste (X, y [, sample_weight])
este método debería (ahora) implementarse en scikit learn (no fue hace 2 años)
A partir de ahí, la idea de TSVM es simple:
a. bucle 1000 veces
si. aumentar el parámetro de peso para los datos sin etiquetar
si. ejecuta la svm ponderada, adivina las etiquetas desconocidas
C. cambiar etiquetas malas
re. repetir
repetimos 1000 veces, hasta que el parámetro de peso = 1.0 o
no vemos cambios
eso es casi todo lo que es