易懂的解释"/>
inductive learning和transductive learning最最简单易懂的解释
文章目录
- 概念定义
- 算法举例
- 区别
- 实例
网上很多大神对inductive learning和transductive learning进行了原理层面的讲解,并且给出了数学符号进行严谨定义。但机器学习小白理解起来还是有些费劲,本文力求用最最简单易懂的语言介绍二者的定义和区别。
概念定义
inductive learning:归纳学习,从特殊到一般;
transductive learning:转导学习,从特殊到特殊。
算法举例
文字性的叙述一大堆很难看明白,但先上例子其实就很容易自己get到二者的区别了。
inductive learning:分类、预测神经网络,各种决策树模型。
transductive learning:SVM,LPA(标签传播),KNN,各种聚类算法,NLP神经网络(如RNN、CNN with encoder and decoder)。
区别
现在对二者区别进行归纳,对照上面的举例应该就很容易理解了。
inductive learning在模型构建时只使用training data;
构建好模型(如分类器)后直接把test data的值待入到模型中,模型就能输出test data的结果(如类别);
此时如果再来一批test data,直接投入模型中计算结果即可。
而transductive learning在模型的构建时使用training data和test data,只是training data有标签,test data无标签(当然,构建模型时使用的是test data除了标签之外的信息);
构建好模型基本上就相当于得出了test data的结果(如类别)。此时如果再来一批test data需要重新训练模型(因为模型是基于前一批test data搭建的,已经不适用于新数据了,这就是所谓“从特殊到特殊”)。
实例
假设我们有如下数据进行分类,有颜色的是有标签数据(分别属于两类),无颜色的是无标签数据。
首先使用inductive learning,即用四个training data训练出一个一般性的模型(注意,这里要将无颜色的点忽略),那么很可能计算得出一条分界线,左下是红色类,右上是绿色类:
得到的结果如下。此时如果再来一个数据,只需要判断其在分界线哪边,就可以直接得出分类结果。
假设我们除了类别信息,还有其他信息(比如关系信息),这时候可以尝试使用所有data构造一个transductive model,此时test data也被利用了关系信息。
这时候,训练出的分类模型可能是下面这样的。但是,如果新来一个数据模型就需要重新训练了,不能直接得出其类别。
你学废了吗?
更多推荐
inductive learning和transductive learning最最简单易懂的解释
发布评论