自训练和半监督学习介绍

做者|Doug Steen
编译|VK
来源|Towards Data Science

当涉及到机器学习分类任务时，用于训练算法的数据越多越好。在监督学习中，这些数据必须根据目标类进行标记，不然，这些算法将没法学习独立变量和目标变量之间的关系。可是，在构建用于分类的大型标记数据集时，会出现两个问题：

1. 标记数据可能很耗时。假设咱们有1000000张狗图像，咱们想将它们输入到分类算法中，目的是预测每一个图像是否包含波士顿狗。若是咱们想将全部这些图像用于监督分类任务，咱们须要一我的查看每一个图像并肯定是否存在波士顿狗。
2. 标记数据可能很昂贵。缘由一：要想让人费尽心思去搜100万张狗狗照片，咱们可能得掏钱。

那么，这些未标记的数据能够用在分类算法中吗？

这就是半监督学习的用武之地。在半监督方法中，咱们能够在少许的标记数据上训练分类器，而后使用该分类器对未标记的数据进行预测。

因为这些预测可能比随机猜想更好，未标记的数据预测能够做为“伪标签”在随后的分类器迭代中采用。虽然半监督学习有不少种风格，但这种特殊的技术称为自训练。

自训练

在概念层面上，自训练的工做原理以下：

步骤1：将标记的数据实例拆分为训练集和测试集。而后，对标记的训练数据训练一个分类算法。

步骤2：使用通过训练的分类器来预测全部未标记数据实例的类标签。在这些预测的类标签中，正确率最高的被认为是“伪标签”。

（第2步的几个变化：a）全部预测的标签能够同时做为“伪标签”使用，而不考虑几率；或者b）“伪标签”数据能够经过预测的置信度进行加权。）

步骤3：将“伪标记”数据与正确标记的训练数据链接起来。在组合的“伪标记”和正确标记训练数据上从新训练分类器。

步骤4：使用通过训练的分类器来预测已标记的测试数据实例的类标签。使用你选择的度量来评估分类器性能。

（能够重复步骤1到4，直到步骤2中的预测类标签再也不知足特定的几率阈值，或者直到没有更多未标记的数据保留。）

好的，明白了吗？很好！让咱们经过一个例子解释。

示例：使用自训练改进分类器

为了演示自训练，我使用Python和surgical_deepnet 数据集，能够在Kaggle上找到：https://www.kaggle.com/omnama...

此数据集用于二分类，包含14.6k+手术的数据。这些属性是bmi、年龄等各类测量值，而目标变量complexing则记录患者是否因手术而出现并发症。显然，可以准确地预测患者是否会因手术而出现并发症，这对医疗保健和保险供应商都是最有利的。

导入库

对于本教程，我将导入numpy、pandas和matplotlib。我还将使用sklearn中的LogisticRegression分类器，以及用于模型评估的f1_score和plot_confusion_matrix 函数

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

加载数据

# 加载数据

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

数据集中的属性都是数值型的，没有缺失值。因为我这里的重点不是数据清理，因此我将继续对数据进行划分。

数据划分

为了测试自训练的效果，我须要将数据分红三部分：训练集、测试集和未标记集。我将按如下比例拆分数据：

• 1% 训练
• 25% 测试
• 74% 未标记

对于未标记集，我将简单地放弃目标变量complexing，并伪装它从未存在过。

因此，在这个病例中，咱们认为74%的手术病例没有关于并发症的信息。我这样作是为了模拟这样一个事实：在实际的分类问题中，可用的大部分数据可能没有类标签。然而，若是咱们有一小部分数据的类标签（在本例中为1%），那么可使用半监督学习技术从未标记的数据中得出结论。

下面，我随机化数据，生成索引来划分数据，而后建立测试、训练和未标记的划分。而后我检查各个集的大小，确保一切都按计划进行。

X_train dimensions: (146, 24)
y_train dimensions: (146,)

X_test dimensions: (3659, 24)
y_test dimensions: (3659,)

X_unlabeled dimensions: (10830, 24)

类分布

多数类的样本数（（并发症））是少数类（并发症）的两倍多。在这样一个不平衡的类的状况下，我想准确度可能不是最佳的评估指标。

选择F1分数做为分类指标来判断分类器的有效性。F1分数对类别不平衡的影响比准确度更为稳健，当类别近似平衡时，这一点更为合适。F1得分计算以下：

其中precision是预测正例中正确预测的比例，recall是真实正例中正确预测的比例。

初始分类器（监督）

为了使半监督学习的结果更真实，我首先使用标记的训练数据训练一个简单的Logistic回归分类器，并对测试数据集进行预测。

Train f1 Score: 0.5846153846153846
Test f1 Score: 0.5002908667830134

分类器的F1分数为0.5。混淆矩阵告诉咱们，分类器能够很好地预测没有并发症的手术，准确率为86%。然而，分类器更难正确识别有并发症的手术，准确率只有47%。

预测几率

对于自训练算法，咱们须要知道Logistic回归分类器预测的几率。幸运的是，sklearn提供了.predict_proba()方法，它容许咱们查看属于任一类的预测的几率。以下所示，在二元分类问题中，每一个预测的总几率总和为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]])

自训练分类器（半监督）

既然咱们知道了如何使用sklearn得到预测几率，咱们能够继续编码自训练分类器。如下是简要概述：

第1步：首先，在标记的训练数据上训练Logistic回归分类器。

第2步：接下来，使用分类器预测全部未标记数据的标签，以及这些预测的几率。在这种状况下，我只对几率大于99%的预测采用“伪标签”。

第3步：将“伪标记”数据与标记的训练数据链接起来，并在链接的数据上从新训练分类器。

第4步：使用训练好的分类器对标记的测试数据进行预测，并对分类器进行评估。

重复步骤1到4，直到没有更多的预测具备大于99%的几率，或者没有未标记的数据保留。

下面的代码使用while循环在Python中实现这些步骤。

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.

自训练算法通过44次迭代，就不能以99%的几率预测更多的未标记实例了。即便一开始有10,830个未标记的实例，在自训练以后仍然有10,079个实例未标记(而且未被分类器使用)。

通过44次迭代，F1的分数从0.50提升到0.525！虽然这只是一个小的增加，但看起来自训练已经改善了分类器在测试数据集上的性能。上图的顶部面板显示，这种改进大部分发生在算法的早期迭代中。一样，底部面板显示，添加到训练数据中的大多数“伪标签”都是在前20-30次迭代中出现的。

最后的混淆矩阵显示有并发症的手术分类有所改善，但没有并发症的手术分类略有降低。有了F1分数的提升，我认为这是一个能够接受的进步-可能更重要的是肯定会致使并发症的手术病例（真正例），而且可能值得增长假正例率来达到这个结果。

警告语

因此你可能会想：用这么多未标记的数据进行自训练有风险吗？答案固然是确定的。请记住，尽管咱们将“伪标记”数据与标记的训练数据一块儿包含在内，但某些“伪标记”数据确定会不正确。当足够多的“伪标签”不正确时，自训练算法会强化糟糕的分类决策，而分类器的性能实际上会变得更糟。

可使用分类器在训练期间没有看到的测试集，或者使用“伪标签”预测的几率阈值，能够减轻这种风险。

原文连接：https://towardsdatascience.co...

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/