当我们只有非常少量的已标记数据,同时有大量未标记数据点时,可以使用半监督学习算法来处理。在sklearn中,基于图算法的半监督学习有Label Propagation和Label Spreading两种。他们的主要区别是第二种方法带有正则化机制。
我们在上篇已经讲解了Label Propagation,本篇我们讲解带有正则的Label Spreading。首先生成一些凹的数据。
# 生成环形数据
import numpy as np
from sklearn.datasets import make_circles
X, y = make_circles(n_samples=200, shuffle=False)
outer, inner = 0, 1
labels = np.full(200, -1.0)
labels[0] = outer
labels[-1] = inner
# 画图
import matplotlib.pyplot as plt
plt.figure(figsize=(4, 4))
plt.scatter(X[labels == outer, 0], X[labels == outer, 1],)
plt.scatter(X[labels == inner, 0], X[labels == inner, 1],)
plt.scatter(X[labels == -1, 0], X[labels == -1, 1], marker=".",);
Label Spreading(标签扩散)算法是一种用于半监督学习的方法,它在Label Propagation的基础上引入了正则化机制。这种机制使得算法在处理噪声数据时更为稳定和健壮。下面是Label Spreading算法的迭代计算过程的详细介绍:
和Label Propagation一样,Label Spreading首先构建一个图,图中的每个节点代表一个数据样本,节点可以是已标记的也可以是未标记的。
节点之间的边表示数据点之间的相似性。这种相似性通常用距离度量(如欧氏距离)或核函数(如高斯核)来计算。边的权重反映了两个数据点之间的相似度。
每个数据点都有一个标签分布向量。对于已标记的数据,这个向量直接表示其标签信息。对于未标记的数据,初始时这个向量通常是均匀分布,或者有其他的初始化方法。
Label Spreading算法构建了一个传播矩阵,用于在迭代过程中更新标签信息。这个矩阵基于节点的相似性权重,但与Label Propagation不同的是,它会引入一个正则化项。
在每次迭代中,对于每个未标记节点,其标签分布根据邻居节点(包括已标记和未标记的节点)的标签信息进行更新。具体地,一个节点的新标签分布是其所有邻居节点的标签分布的加权平均,这个权重由传播矩阵给出。
正则化是Label Spreading的一个关键特点。它帮助算法抵抗噪声和过拟合,提高了算法的鲁棒性。正则化参数控制着标签信息在未标记数据之间传播的强度。
更新完所有未标记节点的标签分布后,这些分布通常需要被归一化,确保它们是有效的概率分布。
算法重复迭代更新过程,直到满足某个收敛条件,如迭代次数上限或者标签分布的变化小于某个阈值。
一旦算法收敛,每个未标记数据点的标签被确定为其标签分布中概率最高的标签。
总的来说,Label Spreading是一个强大而灵活的工具,适用于各种半监督学习场景,尤其是在数据标签稀缺或包含噪声的情况下。
在实际应用中,银行利用标签处理技术构建反欺诈模型,通过对用户行为、交易特征等多维度数据进行分析,定义并应用各种风险标签。这些标签可以帮助银行快速识别异常交易行为,提升反欺诈能力。例如,通过分析黑样本案例特征,银行可以定义如“当天还款后立即交易”等标签,并将其应用于反诈模型的开发和训练。
在Label Spreading算法中,正则化传播矩阵是核心组件之一,用于在迭代过程中调整和传播标签信息。这个传播矩阵通过结合图的相似性结构和正则化机制,有效地平衡了标签信息的传播和抗噪声能力。以下是正则化传播矩阵的关键点:
首先,算法构建一个图,为每个数据点准备一个标签矩阵Y。对于已标记的数据点,标签矩阵的相应行用其标签的独热编码(one-hot encoding)表示;对于未标记的数据点,标签矩阵的相应行初始化为均匀分布或其他方式。
然后,基于KNN或RBF核等方法计算相似性矩阵(通常表示为S),其中每个元素Sij表示节点i和j之间的相似度。
相似性矩阵接着被归一化,以便每个节点的相似度总和为1。这可以通过对矩阵S 的每一行进行归一化来实现,得到归一化的矩阵T。
正则化传播矩阵由归一化的相似性矩阵和一个正则化参数α构建而成。通常,P的计算公式为
其中I是单位矩阵,α是一个介于0和1之间的参数,用于控制传播过程中的正则化程度。
作用:参数α控制了标签信息在原始标签和邻居标签间的平衡。较小的α值更强调邻居节点的标签信息,而较大的α值使算法更加倾向于保持原始标签。 抗噪声能力:通过调整α,Label Spreading算法能够在保持数据内在结构的同时对噪声数据具有一定的抵抗力。
在每次迭代中,当前的标签矩阵Y通过乘以传播矩阵P来更新,即
这样,每个数据点的新标签不仅反映了其邻居的标签信息,也考虑了自身的原始标签α,且受正则化参数的影响。 更新后的标签矩阵Y通常需要被重新归一化,以确保每行(代表一个数据点的标签分布)的总和为1。
这个更新过程重复进行,直到满足某个收敛条件,例如标签矩阵Y的变化小于某个预设的阈值,或者达到预设的最大迭代次数。
一旦算法收敛,每个未标记数据点的标签被确定为其标签分布中概率最高的那个标签。
在Label Spreading算法中,标签矩阵Y用于表示数据点的标签信息。这个矩阵的结构取决于数据集中的标签数量和数据点的数量。下面是标签矩阵的一般结构和特点:
1.结构
尺寸:标签矩阵Y的尺寸是 N*K ,其中N是数据集中数据点的总数(包括已标记和未标记的数据点),而K是不同标签的数量。
内容:
对于已标记的数据点,每一行对应一个数据点,其中每个元素代表该数据点属于某个标签的概率。在典型的实现中,已标记数据的行会用独热编码(one-hot encoding)表示,即对应该数据点实际标签的位置为1,其余位置为0。
对于未标记的数据点,每一行一开始通常初始化为均匀分布,即每个标签的概率相等,或者根据先验知识进行初始化。
2.示例 假设有一个数据集,其中有3个不同的标签(K = 3),共有5个数据点(N = 5),其中前2个点已标记,后3个点未标记。标签矩阵Y可能如下所示:
在这个例子中,第一行和第二行分别表示第一个和第二个数据点的标签(假设分别属于第一个和第二个类别),而最后三行表示未标记数据点的标签分布,这里初始化为均匀分布。
# Label Spreading
from sklearn.semi_supervised import LabelSpreading
label_spread = LabelSpreading(kernel="knn", alpha=0.8) # 正则
label_spread.fit(X, labels)
# Label Spreading打标签后的结果
output= np.asarray(label_spread.transduction_)
outer_numbers = np.where(output == outer)[0]
inner_numbers = np.where(output == inner)[0]
plt.figure(figsize=(4, 4))
plt.scatter(X[outer_numbers, 0], X[outer_numbers, 1],)
plt.scatter(X[inner_numbers, 0], X[inner_numbers, 1],)
随着各行各业进行数字化转型,数据分析能力已经成了职场的刚需能力,这也是这两年CDA数据分析师大火的原因。和领导提建议再说“我感觉”“我觉得”,自己都觉得心虚,如果说“数据分析发现……”,肯定更有说服力。想在职场精进一步还是要学习数据分析的,统计学、概率论、商业模型、SQL,Python还是要会一些,能让你工作效率提升不少。备考CDA数据分析师的过程就是个自我提升的过程。
CDA 考试官方报名入口:https://www.cdaglobal.com/pinggu.html
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
“我们的利润率上升了,但销售额却没变,这是为什么?” “某个业务的市场份额在下滑,到底是什么原因?” “公司整体业绩 ...
2025-02-08活动介绍 为了助力大家在数据分析领域不断精进技能,我们特别举办本期打卡活动。在这里,你可以充分利用碎片化时间在线学习,让 ...
2025-02-071、闺女,醒醒,媒人把相亲的带来了。 我。。。。。。。 2、前年春节相亲相了40个, 去年春节相亲50个, 祖宗,今年你想相多少个 ...
2025-02-06在数据科学的广阔领域中,统计分析与数据挖掘占据了重要位置。尽管它们常常被视为有关联的领域,但两者在理论基础、目标、方法及 ...
2025-02-05在数据分析的世界里,“对比”是一种简单且有效的方法。这就像两个女孩子穿同一款式的衣服,效果不一样。 很多人都听过“货比三 ...
2025-02-05当我们只有非常少量的已标记数据,同时有大量未标记数据点时,可以使用半监督学习算法来处理。在sklearn中,基于图算法的半监督 ...
2025-02-05考虑一种棘手的情况:训练数据中大部分样本没有标签。此时,我们可以考虑使用半监督学习方法来处理。半监督学习能够利用这些额 ...
2025-02-04一、数学函数 1、取整 =INT(数字) 2、求余数 =MOD(除数,被除数) 3、四舍五入 =ROUND(数字,保留小数位数) 4、取绝对值 =AB ...
2025-02-03作者:CDA持证人 余治国 一般各平台出薪资报告,都会哀嚎遍野。举个例子,去年某招聘平台发布《中国女性职场现状调查报告》, ...
2025-02-02真正的数据分析大神是什么样的呢?有人认为他们能轻松驾驭各种分析工具,能够从海量数据中找到潜在关联,或者一眼识别报告中的数 ...
2025-02-01现今社会,“转行”似乎成无数职场人无法回避的话题。但行业就像座围城:外行人看光鲜,内行人看心酸。数据分析这个行业,近几年 ...
2025-01-31本人基本情况: 学校及专业:厦门大学经济学院应用统计 实习经历:快手数据分析、字节数据分析、百度数据分析 Offer情况:北京 ...
2025-01-3001专家简介 徐杨老师,CDA数据科学研究院教研副总监,主要负责CDA认证项目以及机器学习/人工智能类课程的研发与授课,负责过中 ...
2025-01-29持证人简介 郭畅,CDA数据分析师二级持证人,安徽大学毕业,目前就职于徽商银行总行大数据部,两年工作经验,主要参与两项跨部 ...
2025-01-282025年刚开启,知乎上就出现了一个热帖: 2024年突然出现的经济下行,使各行各业都感觉到压力山大。有人说,大环境越来越不好了 ...
2025-01-27在数据分析的世界里,“对比”是一种简单且有效的方法。这就像两个女孩子穿同一款式的衣服,效果不一样。 很多人都听过“货比三 ...
2025-01-26数据指标体系 “数据为王”相信大家都听说过。当前,数据信息不再仅仅是传递的媒介,它成为了驱动经济发展的新燃料。对于企业而 ...
2025-01-26在职场中,当你遇到问题的时候,如果感到无从下手,或者抓不到重点,可能是因为你掌握的思维模型不够多。 一个好用的思维模型, ...
2025-01-25俗话说的好“文不如表,表不如图”,图的信息传达效率很高,是数据汇报、数据展示的重要手段。好的数据展示不仅需要有图,还要选 ...
2025-01-24数据分析报告至关重要 一份高质量的数据分析报告不仅能够揭示数据背后的真相,还能为企业决策者提供有价值的洞察和建议。 年薪70 ...
2025-01-24