El aprendizaje transductivo es la capacidad de aprender un clasificador con solo unos pocos ejemplos de entrenamiento etiquetados y un gran conjunto de ejemplos de entrenamiento no etiquetados.
Por lo general, este problema es altamente no convexo y requiere suposiciones especiales, como los grupos de ejemplos de capacitación no etiquetados lo suficientemente bien como para que cada grupo represente una etiqueta.
Imagine tratar de agrupar una colección de documentos de texto en 2 clases. En principio, si los documentos se agrupan naturalmente en 2 clases, entonces solo se necesita una etiqueta para construir dicho clasificador. Simplemente agrupe los documentos y etiquete los grupos apropiados. Entonces el clasificador es simplemente el mejor clasificador que separa estos 2 grupos
- ¿Cuáles son los desafíos tecnológicos involucrados en alimentar el código fuente de una máquina Linux y hacer que aprenda a codificar un núcleo Linux similar?
- Robótica: ¿Cuáles son algunos proyectos interesantes de aprendizaje automático relacionados con UAV / drones?
- ¿Cuál es la relación entre covarianza cero e independencia? ¿Cuáles son ejemplos en la ciencia de variables que no son independientes pero tienen cero covarianza?
- ¿Cuál es la función de las máquinas restringidas de Boltzmann para el filtrado colaborativo?
- ¿Cuál es la diferencia entre IA, aprendizaje automático y aprendizaje profundo?
En otras palabras, forma el hiperplano entre los grupos y ese es tu clasificador
El enfoque fue originalmente sugerido por Vapnik. A veces también se le llama aprendizaje semi-supervisado porque combina enfoques del aprendizaje supervisado y no supervisado.
Tengo una publicación de blog reciente sobre esto
Aprendizaje automático con etiquetas faltantes: SVM transductoras
y un proyecto github para apoyar la investigación activa en el campo
Contenido calculado / tsvm