作者|Doug Steen
編譯|VK
來源|Towards Data Science
當涉及到機器學習分類任務時，用于訓練演算法的資料越多越好，在監督學習中，這些資料必須根據目標類進行標記，否則，這些演算法將無法學習獨立變數和目標變數之間的關系，但是，在構建用于分類的大型標記資料集時，會出現兩個問題：
- 標記資料可能很耗時，假設我們有1000000張狗影像，我們想將它們輸入到分類演算法中，目的是預測每個影像是否包含波士頓狗，如果我們想將所有這些影像用于監督分類任務，我們需要一個人查看每個影像并確定是否存在波士頓狗，
- 標記資料可能很昂貴，原因一：要想讓人費盡心思去搜100萬張狗狗照片，我們可能得掏錢，
那么，這些未標記的資料可以用在分類演算法中嗎？
這就是半監督學習的用武之地，在半監督方法中，我們可以在少量的標記資料上訓練分類器，然后使用該分類器對未標記的資料進行預測，
由于這些預測可能比隨機猜測更好，未標記的資料預測可以作為“偽標簽”在隨后的分類器迭代中采用，雖然半監督學習有很多種風格，但這種特殊的技術稱為自訓練，
自訓練
在概念層面上，自訓練的作業原理如下：
步驟1：將標記的資料實體拆分為訓練集和測驗集，然后，對標記的訓練資料訓練一個分類演算法，
步驟2：使用經過訓練的分類器來預測所有未標記資料實體的類標簽，在這些預測的類標簽中，正確率最高的被認為是“偽標簽”，
（第2步的幾個變化：a）所有預測的標簽可以同時作為“偽標簽”使用，而不考慮概率；或者b）“偽標簽”資料可以通過預測的置信度進行加權，）
步驟3：將“偽標記”資料與正確標記的訓練資料連接起來，在組合的“偽標記”和正確標記訓練資料上重新訓練分類器，
步驟4：使用經過訓練的分類器來預測已標記的測驗資料實體的類標簽，使用你選擇的度量來評估分類器性能，
（可以重復步驟1到4，直到步驟2中的預測類標簽不再滿足特定的概率閾值，或者直到沒有更多未標記的資料保留，）
好的，明白了嗎？很好！讓我們通過一個例子解釋，
示例：使用自訓練改進分類器
為了演示自訓練，我使用Python和surgical_deepnet 資料集，可以在Kaggle上找到：https://www.kaggle.com/omnamahshivai/surgical-dataset-binary-classification
此資料集用于二分類，包含14.6k+手術的資料，這些屬性是bmi、年齡等各種測量值，而目標變數complexing則記錄患者是否因手術而出現并發癥，顯然，能夠準確地預測患者是否會因手術而出現并發癥，這對醫療保健和保險供應商都是最有利的，
匯入庫
對于本教程，我將匯入numpy、pandas和matplotlib，我還將使用sklearn中的LogisticRegression分類器，以及用于模型評估的f1_score和plot_confusion_matrix 函式
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import f1_score
from sklearn.metrics import plot_confusion_matrix
加載資料
# 加載資料
df = pd.read_csv('surgical_deepnet.csv')
df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 14635 entries, 0 to 14634
Data columns (total 25 columns):
bmi 14635 non-null float64
Age 14635 non-null float64
asa_status 14635 non-null int64
baseline_cancer 14635 non-null int64
baseline_charlson 14635 non-null int64
baseline_cvd 14635 non-null int64
baseline_dementia 14635 non-null int64
baseline_diabetes 14635 non-null int64
baseline_digestive 14635 non-null int64
baseline_osteoart 14635 non-null int64
baseline_psych 14635 non-null int64
baseline_pulmonary 14635 non-null int64
ahrq_ccs 14635 non-null int64
ccsComplicationRate 14635 non-null float64
ccsMort30Rate 14635 non-null float64
complication_rsi 14635 non-null float64
dow 14635 non-null int64
gender 14635 non-null int64
hour 14635 non-null float64
month 14635 non-null int64
moonphase 14635 non-null int64
mort30 14635 non-null int64
mortality_rsi 14635 non-null float64
race 14635 non-null int64
complication 14635 non-null int64
dtypes: float64(7), int64(18)
memory usage: 2.8 MB
資料集中的屬性都是數值型的，沒有缺失值，由于我這里的重點不是資料清理，所以我將繼續對資料進行劃分，
資料劃分
為了測驗自訓練的效果，我需要將資料分成三部分：訓練集、測驗集和未標記集，我將按以下比例拆分資料：
- 1% 訓練
- 25% 測驗
- 74% 未標記
對于未標記集，我將簡單地放棄目標變數complexing，并假裝它從未存在過，
所以，在這個病例中，我們認為74%的手術病例沒有關于并發癥的資訊，我這樣做是為了模擬這樣一個事實：在實際的分類問題中，可用的大部分資料可能沒有類標簽，然而，如果我們有一小部分資料的類標簽（在本例中為1%），那么可以使用半監督學習技術從未標記的資料中得出結論，
下面，我隨機化資料，生成索引來劃分資料，然后創建測驗、訓練和未標記的劃分，然后我檢查各個集的大小，確保一切都按計劃進行，
X_train dimensions: (146, 24)
y_train dimensions: (146,)
X_test dimensions: (3659, 24)
y_test dimensions: (3659,)
X_unlabeled dimensions: (10830, 24)
類分布
多數類的樣本數（（并發癥））是少數類（并發癥）的兩倍多，在這樣一個不平衡的類的情況下，我想準確度可能不是最佳的評估指標，
選擇F1分數作為分類指標來判斷分類器的有效性，F1分數對類別不平衡的影響比準確度更為穩健，當類別近似平衡時，這一點更為合適，F1得分計算如下：
其中precision是預測正例中正確預測的比例，recall是真實正例中正確預測的比例，
初始分類器（監督）
為了使半監督學習的結果更真實，我首先使用標記的訓練資料訓練一個簡單的Logistic回歸分類器，并對測驗資料集進行預測，
Train f1 Score: 0.5846153846153846
Test f1 Score: 0.5002908667830134
分類器的F1分數為0.5，混淆矩陣告訴我們，分類器可以很好地預測沒有并發癥的手術，準確率為86%，然而，分類器更難正確識別有并發癥的手術，準確率只有47%，
預測概率
對于自訓練演算法，我們需要知道Logistic回歸分類器預測的概率，幸運的是，sklearn提供了.predict_proba()方法，它允許我們查看屬于任一類的預測的概率，如下所示，在二元分類問題中，每個預測的總概率總和為1.0，
array([[0.93931367, 0.06068633],
[0.2327203 , 0.7672797 ],
[0.93931367, 0.06068633],
...,
[0.61940353, 0.38059647],
[0.41240068, 0.58759932],
[0.24306008, 0.75693992]])
自訓練分類器（半監督）
既然我們知道了如何使用sklearn獲得預測概率，我們可以繼續編碼自訓練分類器，以下是簡要概述：
第1步：首先，在標記的訓練資料上訓練Logistic回歸分類器，
第2步：接下來，使用分類器預測所有未標記資料的標簽，以及這些預測的概率，在這種情況下，我只對概率大于99%的預測采用“偽標簽”，
第3步：將“偽標記”資料與標記的訓練資料連接起來，并在連接的資料上重新訓練分類器，
第4步：使用訓練好的分類器對標記的測驗資料進行預測，并對分類器進行評估，
重復步驟1到4，直到沒有更多的預測具有大于99%的概率，或者沒有未標記的資料保留，
下面的代碼使用while回圈在Python中實作這些步驟，
Iteration 0
Train f1: 0.5846153846153846
Test f1: 0.5002908667830134
Now predicting labels for unlabeled data...
42 high-probability predictions added to training data.
10788 unlabeled instances remaining.
Iteration 1
Train f1: 0.7627118644067796
Test f1: 0.5037463976945246
Now predicting labels for unlabeled data...
30 high-probability predictions added to training data.
10758 unlabeled instances remaining.
Iteration 2
Train f1: 0.8181818181818182
Test f1: 0.505431675242996
Now predicting labels for unlabeled data...
20 high-probability predictions added to training data.
10738 unlabeled instances remaining.
Iteration 3
Train f1: 0.847457627118644
Test f1: 0.5076835515082526
Now predicting labels for unlabeled data...
21 high-probability predictions added to training data.
10717 unlabeled instances remaining.
...
Iteration 44
Train f1: 0.9481216457960644
Test f1: 0.5259179265658748
Now predicting labels for unlabeled data...
0 high-probability predictions added to training data.
10079 unlabeled instances remaining.
自訓練演算法經過44次迭代，就不能以99%的概率預測更多的未標記實體了，即使一開始有10,830個未標記的實體，在自訓練之后仍然有10,079個實體未標記(并且未被分類器使用)，
經過44次迭代，F1的分數從0.50提高到0.525！雖然這只是一個小的增長，但看起來自訓練已經改善了分類器在測驗資料集上的性能，上圖的頂部面板顯示，這種改進大部分發生在演算法的早期迭代中，同樣，底部面板顯示，添加到訓練資料中的大多數“偽標簽”都是在前20-30次迭代中出現的，
最后的混淆矩陣顯示有并發癥的手術分類有所改善，但沒有并發癥的手術分類略有下降，有了F1分數的提高，我認為這是一個可以接受的進步-可能更重要的是確定會導致并發癥的手術病例（真正例），并且可能值得增加假正例率來達到這個結果，
警告語
所以你可能會想：用這么多未標記的資料進行自訓練有風險嗎？答案當然是肯定的，請記住，盡管我們將“偽標記”資料與標記的訓練資料一起包含在內，但某些“偽標記”資料肯定會不正確，當足夠多的“偽標簽”不正確時，自訓練演算法會強化糟糕的分類決策，而分類器的性能實際上會變得更糟，
可以使用分類器在訓練期間沒有看到的測驗集，或者使用“偽標簽”預測的概率閾值，可以減輕這種風險，
原文鏈接：https://towardsdatascience.com/a-gentle-introduction-to-self-training-and-semi-supervised-learning-ceee73178b38
歡迎關注磐創AI博客站：
http://panchuang.net/
sklearn機器學習中文官方檔案：
http://sklearn123.com/
歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/721.html
標籤：其他
下一篇：寫一篇最好懂的HTTPS講解