摘要：构造性机器学习（cML）算法在训练分类器时需要大量有标记样本，而获取这些有标记样本十分困难。为此，提出一种基于Tri-training算法的构造性学习方法。根据已标记的样本，采用不同策略构造3个差异较大的初始覆盖分类网络，用于对未标记数据进行标记，再将B标记数据加入到训练样本中，调整各分类网络参数，反复进行上述过程，直至获得稳定的分类器。实验结果证明，与CML算法和基于NB分类器的半监督学习算法相比，该方法的分类准确率更高。

原文链接:http://www.cqvip.com//QK/95200X/201206/41233762.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）