作者|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，否则，这些算法将无法学习独立变量和目标变量之间的关系。但是，在构建用于分类的大型标记数据集时，会出现两个问题：
- 标记数据可能很耗时。假设我们有1000000张狗图像，我们想将它们输入到分类算法中，目的是预测每个图像是否包含波士顿狗。如果我们想将所有这些图像用于监督分类任务，我们需要一个人查看每个图像并确定是否存在波士顿狗。
- 标记数据可能很昂贵。原因一：要想让人费尽心思去搜100万张狗狗照片，我们可能得掏钱。
那么，这些未标记的数据可以用在分类算法中吗？
这就是半监督学习的用武之地。在半监督方法中，我们可以在少量的标记数据上训练分类器，然后使用该分类器对未标记的数据进行预测。
由于这些预测可能比随机猜测更好，未标记的数据预测可以作为“伪标签”在随后的分类器迭代中采用。虽然半监督学习有很多种风格，但这种特殊的技术称为自训练。
自训练
在概念层面上，自训练的工作原理如下：
步骤1：将标记的数据实例拆分为训练集和测试集。然后，对标记的训练数据训练一个分类算法。
步骤2：使用经过训练的分类器来预测所有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）所有预测的标签可以同时作为“伪标签”使用，而不考虑概率；或者b）“伪标签”数据可以通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连接起来。在组合的“伪标记”和正确标记训练数据上重新训练分类器。
步骤4：使用经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。
（可以重复步骤1到4，直到步骤2中的预测类标签不再满足特定的概率阈值，或者直到没有更多未标记的数据保留。）
好的，明白了吗？很好！让我们通过一个例子解释。
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，可以在Kaggle上找到：https://www.kaggle.com/omnamahshivai/surgical-dataset-binary-classification
此数据集用于二分类，包含14.6k+手术的数据。这些属性是bmi、年龄等各种测量值，而目标变量complexing则记录患者是否因手术而出现并发症。显然，能够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。由于我这里的重点不是数据清理，所以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，我需要将数据分成三部分：训练集、测试集和未标记集。我将按以下比例拆分数据：
- 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，并假装它从未存在过。
所以，在这个病例中，我们认为74%的手术病例没有关于并发症的信息。我这样做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，如果我们有一小部分数据的类标签（在本例中为1%），那么可以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，然后创建测试、训练和未标记的划分。然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情况下，我想准确度可能不是最佳的评估指标。
选择F1分数作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得分计算如下：
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。混淆矩阵告诉我们，分类器可以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%。
预测概率
对于自训练算法，我们需要知道Logistic回归分类器预测的概率。幸运的是，sklearn提供了.predict_proba()方法，它允许我们查看属于任一类的预测的概率。如下所示，在二元分类问题中，每个预测的总概率总和为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）
既然我们知道了如何使用sklearn获得预测概率，我们可以继续编码自训练分类器。以下是简要概述：
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，使用分类器预测所有未标记数据的标签，以及这些预测的概率。在这种情况下，我只对概率大于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连接起来，并在连接的数据上重新训练分类器。
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有大于99%的概率，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.
自训练算法经过44次迭代，就不能以99%的概率预测更多的未标记实例了。即使一开始有10,830个未标记的实例，在自训练之后仍然有10,079个实例未标记(并且未被分类器使用)。
经过44次迭代，F1的分数从0.50提高到0.525！虽然这只是一个小的增长，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。同样，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下降。有了F1分数的提高，我认为这是一个可以接受的进步-可能更重要的是确定会导致并发症的手术病例（真正例），并且可能值得增加假正例率来达到这个结果。
警告语
所以你可能会想：用这么多未标记的数据进行自训练有风险吗？答案当然是肯定的。请记住，尽管我们将“伪标记”数据与标记的训练数据一起包含在内，但某些“伪标记”数据肯定会不正确。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。
可以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”预测的概率阈值，可以减轻这种风险。
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/