AITerms 登入
機器學習模型訓練模型評估

半監督學習(Semi-supervised Learning)是什麼?

半監督學習是一種機器學習方法,它結合了少量標記資料和大量未標記資料進行模型訓練,旨在利用未標記資料提升模型效能,降低標記成本。

完整定義

半監督學習(Semi-supervised Learning)是一種機器學習方法,它介於監督學習和非監督學習之間。它利用少量已標記的資料和大量未標記的資料來訓練模型。其目標是利用未標記資料中蘊含的資訊,提升模型的泛化能力和準確性,同時降低對大量標記資料的依賴。

白話說明

你有沒有在你手上只有少量人工標註資料,卻有一大堆沒標籤的資料想一起用,發現只看表面常常不夠?

你可以把它想成先用少量答案當老師,再讓模型從大量未標記資料裡自己補功課。

標註很貴,半監督學習就是想用更少標籤,做出比純監督更好的結果。

記住這句

有少量標籤,再加大量沒標籤一起學,就是半監督學習。

比喻:半監督學習就像學生在圖書館學習 -- 老師只教了一小部分知識(標記資料),學生自己再從大量未標記的書本中(未標記資料)自主學習。

容易混淆

監督式學習

監督式學習像老師手把手教每個細節,半監督學習像老師只點撥幾個重點,剩下讓學生自己從大量資料中領悟。

實際案例

醫療影像只有少數病例有醫師標註,模型可以先學已標註資料,再拿未標註影像做自訓練。

公司客服分類只有一小部分人工分類過,其餘工單很多,半監督方法能補足訓練資料。

演算法與應用

常見方法包括 pseudo-label、自訓練、consistency regularization 和 label propagation。

重點是讓未標記資料提供分布資訊,但不能把錯誤標籤一路放大。

情境判斷

Q1(直覺題): 如果你只有 100 筆標註資料和 10,000 筆未標註資料,這適合半監督嗎?

很適合。這正是半監督學習最常見的場景。

Q2(判斷題): 如果未標註資料和真實資料分布差很多,還能硬用嗎?

不建議。看情況,分布差太多時,未標註資料反而會把模型帶歪。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,有 6 題把半監督學習列為延伸術語,這裡列出 5 題。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本