基于后驗概率和流形正則化的半監(jiān)督分類方法研究.pdf

1、基于流形正則化的半監(jiān)督分類算法框架(Manifold Regularization,MR)和基于后驗概率的支持向量機(Posterior Probability Support Vector Machine,PPSVM)是近年來提出的兩種比較新的分類方法。然而,MR在標記樣本位于模糊異常區(qū)域時容易發(fā)生分類偏差,而PPSVM則對標記樣本數(shù)目要求高。
　　為解決這些問題,將后驗概率知識引入到MR框架中,設計一種基于后驗概率和流形正則化

2、的半監(jiān)督分類算法框架PPMR。PPMR采用流形正則化技術,在再生核希爾伯特空間中求解一個分類函數(shù),使得標記樣本在此分類函數(shù)上輸出的后驗概率值盡量與標記值接近,而距離很近的樣本(包括標記樣本和未標記樣本)在此分類函數(shù)上輸出的后驗概率值也盡量接近。其基本思想是區(qū)別對待每個標記樣本,采用后驗概率知識指示標記樣本的位置,并利用未標記樣本傳播這種后驗概率知識。這校正了模糊標記樣本引起的分類偏差,又發(fā)揮了未標記樣本的分類的作用。
　　在MR的

3、基礎上,直接采用后驗概率標注樣本類別值得到PPMR的基本形式;根據(jù)經(jīng)驗規(guī)模調(diào)整正則化系數(shù)后得到PPMR的改進形式;在此基礎上,引入后驗概率映射函數(shù),采用映射值標注樣本類別值,得到PPMR的推廣形式。分別采用平方損失和關鍵損失定義抽象損失函數(shù)得到基于PPMR的兩種基本算法。
　　為進一步闡明PPMR框架并驗證PPMR框架的有效性,在仿真數(shù)據(jù)集、公共標準數(shù)據(jù)集以及醫(yī)學實際應用數(shù)據(jù)集上進行多次隨機重復實驗,探討不同的核函數(shù)、后驗概率映射