有沒有關於使用模糊/概率標記數據的任何理論？例如，是否可以對訓練數據進行分類，訓練數據只對不同組的訓練數據的概率估計爲真？關於用概率標記數據進行學習的理論

實施例：

訓練數據點A1，A2：90％的真
訓練數據點B2，B2：50％的真
訓練數據點C1，C2 ：30％爲真

而你想知道是否有新的數據點d是真的還是假的（或者是什麼概率）？基於與訓練數據a-c的一些相似性度量。

來源

2012-07-30 SlimJim

聽起來像古典貝葉斯問題，不是嗎？

就像給出的魚是90％海鱸魚和50％鮭魚的概率一樣，沒有任何額外信息？

這將導致任何學習算法對A類進行分類以最小化任何樣本上的錯誤。

來源

2012-07-30 12:41:00 Anton

我想我的問題有點不清楚（做了一個編輯）;但它實際上是具有概率標籤的訓練數據，例如，我們有90％的海貝是健康的，50％是薩爾蒙斯，這種魚（握在我手中）很可能是健康的算法，它們只能看到它們分別與低音或鮭魚有多接近。你也許還是對的？但是我覺得我需要澄清我的意圖。 – SlimJim 2012-07-30 14:12:18

澄清後，問題更容易解決;你剛剛說過。你有點之間的距離。我可以建議一個聚類算法來找到一個聚類 - 在您的示例聚類a，b和c中;當你得到一個點「d」時 - 計算到集羣中心的距離並找到最接近的兩個;然後取這些距離和聚類概率（f.e.da = 1，db = 2，a = 90，b = 50），然後求解x =（a-b）/（da + db）。 P = a-x。 P是概率（在這個例子中是90-50/3）:)我希望我也很清楚 – Anton 2012-07-31 16:35:48

例如聚類（GMM或示例）中的部分成員資格，其中每個數據點具有佈置在每個類中的概率的狄利克雷分佈。

也許東西「與標籤音學習」可以給你一個答案，大多數學習者從理論上期待乾淨的標籤數據，但後面有嘈雜的標籤工作的一些理論： Learning_with_Label_Noise

編輯

不確定的證據或軟證據。

一個模型P（X，Y），我們有y」爲約y和該軟證據來計算P（X | Y '）然後

P（X | Y'）= sum_y P（ x（y | y'）= sum_y p（x | y，y'）p（y | y'）= sum_y p（x | y）p（y | y'）

其中硬證據特殊情況，其中p（y | y'）= dirac（y-y'）

來源

2013-12-29 23:48:48 SlimJim

關於用概率標記數據進行學習的理論

回答

編輯

相關問題