自訓(xùn)練和半監(jiān)督學(xué)習(xí)介紹
點(diǎn)擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”
重磅干貨，第一時間送達(dá)
本文轉(zhuǎn)自：磐創(chuàng)AI
「標(biāo)記數(shù)據(jù)可能很耗時」。假設(shè)我們有1000000張狗圖像，我們想將它們輸入到分類算法中，目的是預(yù)測每個圖像是否包含波士頓狗。如果我們想將所有這些圖像用于監(jiān)督分類任務(wù)，我們需要一個人查看每個圖像并確定是否存在波士頓狗。 「標(biāo)記數(shù)據(jù)可能很昂貴」。原因一：要想讓人費(fèi)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(biāo)記的數(shù)據(jù)可以用在分類算法中嗎？
這就是半監(jiān)督學(xué)習(xí)的用武之地。在半監(jiān)督方法中，我們可以在少量的標(biāo)記數(shù)據(jù)上訓(xùn)練分類器，然后使用該分類器對未標(biāo)記的數(shù)據(jù)進(jìn)行預(yù)測。
由于這些預(yù)測可能比隨機(jī)猜測更好，未標(biāo)記的數(shù)據(jù)預(yù)測可以作為“偽標(biāo)簽”在隨后的分類器迭代中采用。雖然半監(jiān)督學(xué)習(xí)有很多種風(fēng)格，但這種特殊的技術(shù)稱為自訓(xùn)練。
在概念層面上，自訓(xùn)練的工作原理如下：
「步驟1」：將標(biāo)記的數(shù)據(jù)實(shí)例拆分為訓(xùn)練集和測試集。然后，對標(biāo)記的訓(xùn)練數(shù)據(jù)訓(xùn)練一個分類算法。
「步驟2」：使用經(jīng)過訓(xùn)練的分類器來預(yù)測所有未標(biāo)記數(shù)據(jù)實(shí)例的類標(biāo)簽。在這些預(yù)測的類標(biāo)簽中，正確率最高的被認(rèn)為是“偽標(biāo)簽”。
（第2步的幾個變化：a）所有預(yù)測的標(biāo)簽可以同時作為“偽標(biāo)簽”使用，而不考慮概率；或者b）“偽標(biāo)簽”數(shù)據(jù)可以通過預(yù)測的置信度進(jìn)行加權(quán)。）
「步驟3」：將“偽標(biāo)記”數(shù)據(jù)與正確標(biāo)記的訓(xùn)練數(shù)據(jù)連接起來。在組合的“偽標(biāo)記”和正確標(biāo)記訓(xùn)練數(shù)據(jù)上重新訓(xùn)練分類器。
「步驟4」：使用經(jīng)過訓(xùn)練的分類器來預(yù)測已標(biāo)記的測試數(shù)據(jù)實(shí)例的類標(biāo)簽。使用你選擇的度量來評估分類器性能。
（可以重復(fù)步驟1到4，直到步驟2中的預(yù)測類標(biāo)簽不再滿足特定的概率閾值，或者直到?jīng)]有更多未標(biāo)記的數(shù)據(jù)保留。）
好的，明白了嗎？很好！讓我們通過一個例子解釋。
為了演示自訓(xùn)練，我使用Python和「surgical_deepnet」 數(shù)據(jù)集，可以在Kaggle上找到：https://www.kaggle.com/omnamahshivai/surgical-dataset-binary-classification
此數(shù)據(jù)集用于二分類，包含14.6k+手術(shù)的數(shù)據(jù)。這些屬性是bmi、年齡等各種測量值，而目標(biāo)變量complexing則記錄患者是否因手術(shù)而出現(xiàn)并發(fā)癥。顯然，能夠準(zhǔn)確地預(yù)測患者是否會因手術(shù)而出現(xiàn)并發(fā)癥，這對醫(yī)療保健和保險供應(yīng)商都是最有利的。
「導(dǎo)入庫」
對于本教程，我將導(dǎo)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 函數(shù)
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
「加載數(shù)據(jù)」
# 加載數(shù)據(jù)
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
數(shù)據(jù)集中的屬性都是數(shù)值型的，沒有缺失值。由于我這里的重點(diǎn)不是數(shù)據(jù)清理，所以我將繼續(xù)對數(shù)據(jù)進(jìn)行劃分。
「數(shù)據(jù)劃分」
為了測試自訓(xùn)練的效果，我需要將數(shù)據(jù)分成三部分：訓(xùn)練集、測試集和未標(biāo)記集。我將按以下比例拆分?jǐn)?shù)據(jù)：
1% 訓(xùn)練 25% 測試 74% 未標(biāo)記
對于未標(biāo)記集，我將簡單地放棄目標(biāo)變量complexing，并假裝它從未存在過。
所以，在這個病例中，我們認(rèn)為74%的手術(shù)病例沒有關(guān)于并發(fā)癥的信息。我這樣做是為了模擬這樣一個事實(shí)：在實(shí)際的分類問題中，可用的大部分?jǐn)?shù)據(jù)可能沒有類標(biāo)簽。然而，如果我們有一小部分?jǐn)?shù)據(jù)的類標(biāo)簽（在本例中為1%），那么可以使用半監(jiān)督學(xué)習(xí)技術(shù)從未標(biāo)記的數(shù)據(jù)中得出結(jié)論。
下面，我隨機(jī)化數(shù)據(jù)，生成索引來劃分?jǐn)?shù)據(jù)，然后創(chuàng)建測試、訓(xùn)練和未標(biāo)記的劃分。然后我檢查各個集的大小，確保一切都按計劃進(jìn)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(shù)類的樣本數(shù)（（并發(fā)癥））是少數(shù)類（并發(fā)癥）的兩倍多。在這樣一個不平衡的類的情況下，我想準(zhǔn)確度可能不是最佳的評估指標(biāo)。
選擇F1分?jǐn)?shù)作為分類指標(biāo)來判斷分類器的有效性。F1分?jǐn)?shù)對類別不平衡的影響比準(zhǔn)確度更為穩(wěn)健，當(dāng)類別近似平衡時，這一點(diǎn)更為合適。F1得分計算如下：
其中precision是預(yù)測正例中正確預(yù)測的比例，recall是真實(shí)正例中正確預(yù)測的比例。
「初始分類器（監(jiān)督）」
為了使半監(jiān)督學(xué)習(xí)的結(jié)果更真實(shí)，我首先使用標(biāo)記的訓(xùn)練數(shù)據(jù)訓(xùn)練一個簡單的Logistic回歸分類器，并對測試數(shù)據(jù)集進(jìn)行預(yù)測。
Train f1 Score: 0.5846153846153846
Test f1 Score: 0.5002908667830134
分類器的F1分?jǐn)?shù)為0.5?；煜仃嚫嬖V我們，分類器可以很好地預(yù)測沒有并發(fā)癥的手術(shù)，準(zhǔn)確率為86%。然而，分類器更難正確識別有并發(fā)癥的手術(shù)，準(zhǔn)確率只有47%。
「預(yù)測概率」
對于自訓(xùn)練算法，我們需要知道Logistic回歸分類器預(yù)測的概率。幸運(yùn)的是，sklearn提供了.predict_proba()方法，它允許我們查看屬于任一類的預(yù)測的概率。如下所示，在二元分類問題中，每個預(yù)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(xùn)練分類器（半監(jiān)督）」
既然我們知道了如何使用sklearn獲得預(yù)測概率，我們可以繼續(xù)編碼自訓(xùn)練分類器。以下是簡要概述：
「第1步」：首先，在標(biāo)記的訓(xùn)練數(shù)據(jù)上訓(xùn)練Logistic回歸分類器。
「第2步」：接下來，使用分類器預(yù)測所有未標(biāo)記數(shù)據(jù)的標(biāo)簽，以及這些預(yù)測的概率。在這種情況下，我只對概率大于99%的預(yù)測采用“偽標(biāo)簽”。
「第3步」：將“偽標(biāo)記”數(shù)據(jù)與標(biāo)記的訓(xùn)練數(shù)據(jù)連接起來，并在連接的數(shù)據(jù)上重新訓(xùn)練分類器。
「第4步」：使用訓(xùn)練好的分類器對標(biāo)記的測試數(shù)據(jù)進(jìn)行預(yù)測，并對分類器進(jìn)行評估。
重復(fù)步驟1到4，直到?jīng)]有更多的預(yù)測具有大于99%的概率，或者沒有未標(biāo)記的數(shù)據(jù)保留。
下面的代碼使用while循環(huán)在Python中實(shí)現(xiàn)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(xùn)練算法經(jīng)過44次迭代，就不能以99%的概率預(yù)測更多的未標(biāo)記實(shí)例了。即使一開始有10,830個未標(biāo)記的實(shí)例，在自訓(xùn)練之后仍然有10,079個實(shí)例未標(biāo)記(并且未被分類器使用)。
經(jīng)過44次迭代，F(xiàn)1的分?jǐn)?shù)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(xùn)練已經(jīng)改善了分類器在測試數(shù)據(jù)集上的性能。上圖的頂部面板顯示，這種改進(jìn)大部分發(fā)生在算法的早期迭代中。同樣，底部面板顯示，添加到訓(xùn)練數(shù)據(jù)中的大多數(shù)“偽標(biāo)簽”都是在前20-30次迭代中出現(xiàn)的。
最后的混淆矩陣顯示有并發(fā)癥的手術(shù)分類有所改善，但沒有并發(fā)癥的手術(shù)分類略有下降。有了F1分?jǐn)?shù)的提高，我認(rèn)為這是一個可以接受的進(jìn)步-可能更重要的是確定會導(dǎo)致并發(fā)癥的手術(shù)病例（真正例），并且可能值得增加假正例率來達(dá)到這個結(jié)果。
所以你可能會想：用這么多未標(biāo)記的數(shù)據(jù)進(jìn)行自訓(xùn)練有風(fēng)險嗎？答案當(dāng)然是肯定的。請記住，盡管我們將“偽標(biāo)記”數(shù)據(jù)與標(biāo)記的訓(xùn)練數(shù)據(jù)一起包含在內(nèi)，但某些“偽標(biāo)記”數(shù)據(jù)肯定會不正確。當(dāng)足夠多的“偽標(biāo)簽”不正確時，自訓(xùn)練算法會強(qiáng)化糟糕的分類決策，而分類器的性能實(shí)際上會變得更糟。
可以使用分類器在訓(xùn)練期間沒有看到的測試集，或者使用“偽標(biāo)簽”預(yù)測的概率閾值，可以減輕這種風(fēng)險。
原文鏈接：https://towardsdatascience.com/a-gentle-introduction-to-self-training-and-semi-supervised-learning-ceee73178b38
交流群
歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細(xì)分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進(jìn)入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~