标签传播（LabelSpreading）
| 组件名称 | 标签传播（LabelSpreading） | ||
|---|---|---|---|
| 工具集 | 机器学习/分类/标签传播（LabelSpreading） | ||
| 组件作者 | 雪浪云-燕青 | ||
| 文档版本 | 1.0 | ||
| 功能 | 标签传播（LabelSpreading）算法 | ||
| 镜像名称 | ml_components:3 | ||
| 开发语言 | Python |
组件原理
半监督学习(Semi-Supervised Learning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。当使用半监督学习时，将会要求尽量少的人员来从事工作，同时，又能够带来比较高的准确性，因此，半监督学习正越来越受到人们的重视。
该模型与基本的标签传播算法Propagation相似，但采用基于归一化图Laplacian的亲和矩阵和跨标签的软夹紧算法。
组件
- 组件图：
输入桩
支持单个csv文件输入。
输入端子1
- 端口名称：训练数据
- 输入类型：Csv文件
- 功能描述： 输入用于训练的数据
输入端子2
- 端口名称：用户提供的初始均值数据
- 输入类型：npy文件
- 功能描述： 输入提供的初始均值数据，可以不连
输入端子3
- 端口名称：用户提供的初始精度数据即协方差矩阵的倒数
- 输入类型：npy文件
- 功能描述： 输入提供的初始精度数据即协方差矩阵的倒数，可以不连
输出桩
支持sklearn模型输出。
输出端子1
- 端口名称：输出模型
- 输出类型：sklearn模型
- 功能描述： 输出训练好的模型用于预测
参数配置
核函数
- 功能描述：核函数
- 必选参数：是
- 默认值：rbf
gamma
- 功能描述：rbf核函数参数
- 必选参数：是
- 默认值：20
近邻数
- 功能描述：knn核函数参数
- 必选参数：是
- 默认值：7
夹紧系数
- 功能描述：0到1中的一个值，它指定一个实例相对于其初始标签而言，应该采用其邻居的信息的相对数量
- 必选参数：是
- 默认值：0.2
最大迭代次数
- 功能描述：允许的最大迭代次数
- 必选参数：是
- 默认值：30
收敛阈值
- 功能描述：收敛阈值
- 必选参数：是
- 默认值：0.001
并行度
- 功能描述：训练时的并行度
- 必选参数：否
- 默认值：（无）
用于填充空值的值
- 功能描述：用于填充空值的值
- 必选参数：否
- 默认值：（无）
需要训练
- 功能描述：该模型是否需要训练，默认为需要训练。
- 必选参数：是
- 默认值：true
特征字段
- 功能描述：特征字段
- 必选参数：是
- 默认值：（无）
标识字段
- 功能描述：标识字段
- 必选参数：是
- 默认值：（无）
使用方法
- 将组件拖入到项目中
- 与前一个组件输出的端口连接（必须是csv类型）
- 点击运行该节点
测试用例
模板
右面板配置
- 参数设置：
- 字段设置：
输入的数据：
输出的结果：
