论文研究协同半监督的构造性学习方法.pdf

利用构造性学习（CML）算法训练分类器需要大量已标记样本，然而获取大量已标记的样本较为困难。为此，提出了一种协同半监督的构造性学习算法。将已标记样本等分为三个训练集，分别使用构造性学习算法训练三个单分类器，以共同投票的方式对未标记样本进行标记，从而依次扩充三个单分类器训练集直到不能再扩充为止。将三个训练集合并训练出最终的分类器。选取UCI数据集进行实验，结果表明，与CML算法、Tri-CML算法、NB算法及Tri-NB相比，该方法的分类更为有效。