半监督的svm 数据科学分配解决方案。 使用支持向量机作为基础分类器的半监督分类器的实现。 该数据集是在代码中随机生成的。 依存关系： 麻木 斯克莱恩 分类问题 给定数据： 大量未标记的数据 少量标注数据 能够正确标记未标记数据集中任何样本的人类专家，其费用与新标记样本的数量成正比 目标： 降低成本 提高分类器的准确性 解决方案 该解决方案将具有最高置信度的预测标签添加到标签数据集中。 置信度最低的标签表明分类器需要人工专家的帮助。 这些真实的标签将添加到数据集中，并且成本会增加。 人类专家的提示数量不能超过标记样本的初始数量-标记数据的数量只能加倍。 如果准确性为100％，成本达到先前说明的限制或没有将任何样本添加到标记的数据集中，则算法终止。 例子 设置： 数据集：10000个样本，3个类，每个类2个类，3个信息性特征。 最大限度。 迭代次数：100 数据集中未标记数据的

为解决高光谱数据维度高、波段之间相关性强、获取大量监督信息费时费力的问题，对高光谱图像的分类进行研究。半监督分类方法是基于传统的机器学习的一种分类方法，它可以利用少量带标签的监督信息和大量无监督信息解决获取大量监督信息问题。将分类精度高、分类时间长的孪生支持向量机分类方法与迭代速度快、收敛速度快的的

提出一种半监督聚类算法,该算法在用seeds集初始化聚类中心前,利用半监督分类方法Tri-training的迭代训练过程对无标记数据进行标记,并加入seeds集以扩大规模;同时,在Tri-training训练过程中结合基于最近邻规则的Depuration数据剪辑技术对seeds集扩大过程中产生的误标记噪声数据进行修正、净化,以提高seeds集质量.实验结果表明,所提出的基于Tri-training和数据剪辑的DE-Tri-training半监督聚类新算法能够有效改善seeds集对聚类中心的初始化效果,提高聚类性能.

该代码在matlab2013a环境下实现。在经典的Tri-Training算法上做了改进，三个基分类器采用BP神经网络，附有文档说明。另外，我提供了图像数据集，是对VOC2007中的person对象做了处理，分别提取颜色矩特征（9个属性），灰度共生矩阵特征（17个属性），共9786个样本，两类标签，按照不同比例分为无标记样本和有标记样本。

用MATLAB实现半监督支持向量机，可用于分类问题中。

行业分类-设备装置-基于t分布混合模型的网络多媒体业务半监督分类方法.zip

用于半监督分类的图形卷积网络（GCN）的PyTorch实现

半监督matlab代码--经过调试--可用。

matlab代码程序，训练集 测试集代码，优化半监督svm 朴素贝叶斯 等等