伪标签半监督学习

之前在训练YoutubeNet和DCN的时候，我都发现平台用户中基础用户的信息数据缺失率特别高，比如性别一栏准确填写的不足60%，所以我一直想调研一下有没有什么更好的填充方法，要保证既不能太复杂太耗时，也要有足够好的效果。

其实这个问题就是一个缺失值填充，之前的文章中也写过很多办法，常规的也总结过：

• 均值、众数填充
  最简单的填充，效果也惨不忍睹
• 根据没有缺失的数据线性回归填充
  填充的好会造成共线性错误，填充的不好就没价值，很矛盾
• 剔除
  丢失信息量
• 设置哑变量
  会造成数据分布有偏
• smote
  连续值有效，离散值就无法实施了

我在Google上看imbalance问题的时候，偶然看到了这个视频教程，上面讲了图像的缺失处理，提到了伪标签处理的半监督学习方式。我就在国内的论坛上找了下，阿里云技术论坛也同样注意到了这个问题，但是只给出了如下的粗糙的构思图：

有一份整理了的流程图，具体执行步骤总结，和大家一起看一下：

• 将有标签部分数据分为两份：train_set&validation_set，并训练出最优的model1
• 用model1对未知标签数据(test_set)进行预测，给出伪标签结果pseudo-labeled
• 将train_set中抽取一部分做新的validation_set，把剩余部分与pseudo-labeled部分融合作为新的train_set，训练出最优的model2
• 再用model2对未知标签数据(test_set)进行预测，得到最终的final result label

我利用了已知标签的数据对这个方法进行测试，用了最简单的mixed logistic regression模型作为Basic Model，得到结果如下：

利用伪标签半监督的方式，同样的mixed logistic regression模型AUC值会提高0.1pp左右，效果还不错，而且实施并不复杂，大家可以在缺失值处理或者分类问题中应用尝试一下。

---

欢迎大家关注我的个人bolg，更多代码内容欢迎follow我的个人Github，如果有任何算法、代码疑问都欢迎通过公众号发消息给我。