Machine learning 基于一小组标记数据的随机森林分类器
我有大约50行带有标签的数据。数据中还有一个真实来源。真相来源描述了最终用户体验 我还有50000行数据，但数据中没有真值源 我计划做以下工作：- 使用50行数据构建随机森林分类器 一开始不确定数据集是否很小 我已经读过关于半监督学习的书，以下是我的理解，并将其应用于我的情况 使用我从这50行中得到的分类器，将其应用于50000行数据。 然后从错误率最低或最准确的未标记数据中选择最前面的k行 将这K行添加到带标签的数据中，然后对这组数据再次运行分类器，并重复上述过程 有人试过这种技术吗Machine learning 基于一小组标记数据的随机森林分类器,machine-learning,random-forest,Machine Learning,Random Forest,我有大约50行带有标签的数据。数据中还有一个真实来源。真相来源描述了最终用户体验 我还有50000行数据，但数据中没有真值源 我计划做以下工作：- 使用50行数据构建随机森林分类器 一开始不确定数据集是否很小 我已经读过关于半监督学习的书，以下是我的理解，并将其应用于我的情况 使用我从这50行中得到的分类器，将其应用于50000行数据。 然后从错误率最低或最准确的未标记数据中选择最前面的k行 将这K行添加到带标签的数据中，然后对这组数据再次运行分类器，并重复上述过程 有人试过这种技术吗 基本上，
基本上，我是在尝试解决分类的问题，即使用一个小数据集，然后应用到一个更大的数据集。如果目标是为50000个未标记的观察值估算缺失的“真值源”值，我认为您所描述的增量训练过程不会带来任何好处。我认为最好的选择是使用50个标记的观测值训练一个随机森林，并使用它来估算所有未标记数据的真实来源。为了对其性能进行评估，我建议您重复交叉验证 我认为增量过程没有增加任何价值的原因是，您无法判断哪些未标记的观测值具有最低的预测误差。如果您使用某种形式的叶节点纯度来确定每个预测有多好，您就有可能根据过度拟合的结果重新训练分类器，使其变得越来越糟