半监督学习：
部分样本有标记，但是大部分样本无标记
解决办法：
主动学习+专家知识
Or
半监督学习
半监督学习 应用需求非常强烈，因为大量数据都是未标记的，标记成本高
半监督学习的基本假设：
聚类假设：即假设数据存在簇结构
Or 流形假设
半监督学习方法：
一、生成式方法：
假设存在潜在模型，未标记的分类时缺失的参数，通过EM算法的极大似然估计求解
——假设的模型是关键
二、半监督SVM
对于SVM，试图找到最大间隔划分超平面
半监督SVM——低密度分隔
考虑未标记样本，S3VM,试图找到能够将两类有标记的样本分开，并且穿过数据的低密度区域的划分超平面！
TSVM
思想：对未标记样本，穷举指派分类，尝试对所有的情况训练训练一个间隔最大化的划分超平面！一旦超平面确定，最终的指派的分类就是预测结果
——穷举效率太低
——启发式方法：
——1）先利用已标记样本训练一个分类器，对未标记样本分类，然后问题变成了标准SVM问，即可求得分离超平面和松弛因子
——2）然后在指派的样本中选择可能指派不准确的交换，不断迭代，直到训练的参数效果满足要求
三、半监督聚类
利用已知的一些监督信息，使无监督的聚类取得更好的效果
已知的监督信息分为两类：
1）必连与勿连约束：必连指样本必须属于一个簇，勿连则是必须不属于同一个簇
——约束k均值算法：即在k均值的聚类过程中，要满足约束条件
2)监督信息为少量有标记的样本
——约束种子k均值：直接将有监督信息的样本作为种子初始化k均值算法的k个中心，并且在迭代过程中不改变种子样本的簇的隶属关系
还包括：
图的半监督学习