UCI标签传播算法

半监督学习

　　顾名思义是介于分类（监督学习）与聚类（无监督学习）之间的一种学习范式。给定很少一部分样本的类标签，怎么样利用少部分具有类标签的数据来提高聚类的准确率是其研究主题。其中基于图的标签传播（Label Propagation）算法是有影响的算法之一。

UCI机器学习数据库：http://archive.ics.uci.edu/ml/

• 假设有C个类和L个labeled样本，我们定义一个L′C的label矩阵Y_L，第i行表示第i个样本的标签指示向量，即如果第i个样本的类别是j，那么该行的第j个元素为1，其它为0。
• 对于给定的U个unlabeled样本，构造一个U ′ C的label矩阵Y_U（值随便设置）。
• Y_L和Y_U合并，得到一个n′C (L+U=n)的矩阵F=[Y_L;Y_U]。

• (1) 执行传播：F⁽ⁱ⁺¹⁾ = PF⁽ⁱ⁾;
• (2) 重置F中labeled样本的标签：F_L= Y_L;
• (3) 重复步骤(1)和(2)直到F收敛;
• (4) 对于U的每条数据，设置它的类为F中对应行中最大概率值对应的类;