通过 scikit-learn 进行回归的半监督学习答案

【问题标题】：Semi-supervised learning for regression by scikit-learn通过 scikit-learn 进行回归的半监督学习
【发布时间】：2017-02-28 22:29:52
【问题描述】：

标签传播可以用于 scikit-learn 中的半监督回归任务吗？根据其 API，答案是肯定的。 http://scikit-learn.org/stable/modules/label_propagation.html

但是，当我尝试运行以下代码时收到错误消息。

from sklearn import datasets
from sklearn.semi_supervised import label_propagation
import numpy as np
rng=np.random.RandomState(0)
boston = datasets.load_boston()
X=boston.data
y=boston.target
y_30=np.copy(y)
y_30[rng.rand(len(y))<0.3]=-999
label_propagation.LabelSpreading().fit(X,y_30)

在 label_propagation.LabelSpreading().fit(X,y_30) 行中显示“ValueError: Unknown label type: 'continuous'”。

我应该如何解决这个问题？非常感谢。

【问题讨论】：

标签： python machine-learning scikit-learn regression

【解决方案1】：

它看起来像文档中的错误，代码本身显然只是分类（BasePropagation class 的.fit 调用的开头）：

    check_classification_targets(y)

    # actual graph construction (implementations should override this)
    graph_matrix = self._build_graph()

    # label construction
    # construct a categorical distribution for classification only
    classes = np.unique(y)
    classes = (classes[classes != -1])

理论上，您可以删除“check_classification_targets”调用并使用“类回归方法”，但这不是真正的回归，因为您永远不会“传播”任何在训练集中没有遇到的值，您只需将回归值视为类标识符。而且您将无法使用值“-1”，因为它是“未标记”的代号...

【讨论】：