pu-learning 方式实现半监督分类

概述

使用 1-DNF 加 Logistic Regression 实现 PU-Learning

此实现参考论文 https://pdfs.semanticscholar.org/9181/bd6d6c3332ed5ad8ebd941eb9c9d9f7739fe.pdf

PU-Learning 可以用于解决只含有正标签数据和无标签数据的二分类问题，P 即 positive，U 即 Unlabeled

PU-Learning 分两步：

从无标签数据中选出一个可靠的负数据集合 RN (Reliable Negative)
我这里使用的方法是 1-DNF
使用 P (Positive) 和 RN (Reliable Negative) 训练一个分类器，使用该分类器对 U (Unlabeled) 进行分类，将被判定为负数据的部分 W 合并到 RN 中，循环直至 W 为空集。

每次循环都会得到一个分类器，通过设定规则选出最终的分类器。

我这里用的分类器是逻辑回归模型分类器

1-DNF

使用 1-DNF 选出一个可靠的负标签数据集

描述：

获取 P, U 中的所有特征 (all features)
对于每个特征，若它在 P 中出现的频率高于在 U 中出现的频率，则将它归入正特征集 PF (Positive Features) 中
对于 U 中的每条数据，若它不包含 PF 中的特征，则将它归入可靠的负数据集 RN (Reliable Negative) 中，否则归入集合 Q 中

训练分类器

训练 Logistic Regression 分类器

描述:

P 和 RN 组成训练集 X_train
P 给定标签 1，RN 给定标签 0，组成训练集标签 y_train
用 X_train 和 y_train 训练逻辑回归模型 model

model.fit(X_train, y_train)

用 model 对 Q 进行预测（分类）得到结果 result

result = model.predict(Q)

找出 Q 中被判定为负的数据组成集合 W

result = np.where(result<0.5, 0, 1).T[0]
negative_index = np.where(result == 0)
W = Q[negative_index]

将 W 和 RN 合并作为新的 RN，同时将 W 从 Q 中排除

RN = np.concatenate((RN, W))  # RN = RN + W
Q = np.delete(Q, negative_index, axis=0)  # Q = Q - W

用新的 RN 和 P 组成新的 X_train，对应生成新的 y_train
继续训练模型，扩充 RN，直至 W 为空集，循环结束。其中每次循环都会得到一个分类器

选择一个最终分类器

从每次循环生成的分类器中选出一个最终的分类器

这里有两种方式，一种是直接选用最后一次循环的分类器，另一种是设置规则选出一个最佳分类器。

直接选用最后一次循环得到的分类器：

final_model = models[-1]

利用规则选出一个最佳分类器：
用最后一次循环得到的分类器 S-last 对 P 进行分类，若分类结果中有超过 8% 条数据被判定为负，则选用第一次循环的分类器 S-1 作为最终分类器，否则继续选用 S-last 作为最终分类器

neg_predict = models[-1].predict(P)
neg_predict = np.where(neg_predict<0.5, 0, 1).T[0]
if list(neg_predict).count(0)/neg_predict.shape[0] > 0.08:
    final_model = models[0]
else:
    final_model = models[-1]

对测试数据集进行分类

得到最终的分类器就可以对测试数据进行分类了，然后得到测试数据的分类结果

result = final_model.predict(X_test)