%CoTrade实现了[1]中提出的算法,该算法利用数据编辑技术来增强协同训练样式算法
%
% 句法
%
%准确性= CoTrade(学习者,L_data1,L_data2,U_data1,U_data2,L_target,Test_data1,Test_data2,Test_target,Max_iter)
%
%说明
%
%CoTrade需要,
%学习者 - 具有两个字段'type','attri_type'的结构变量,它决定了CoTrade使用的基础学习者的属性:
%1)Learner.type给出了训练中使用的学习者类型,它可以取'NB'(朴素贝叶斯),'SVM'(支持向量
%机器)或'CART'(CART决策树);
%2)Learner.attri_type表示基础学习者将处理什么类型的属性,0表示二进制特征,1表示二进制特征
%实值特征;
%L_data1 - 一个Lxd1数组,第一个标记为Learner 1的训练实例存储在L_data1(i,:);
%L_data2 - 一个Lxd2阵列,Learner 2的第i个标记训练实例存储在L_data2(i,:);
%U_data1 - 一个Uxd1数组,第1个学习者1的未标记训练实例存储在U_data1(i,:);
%U_data2 - 一个Uxd2阵列,学习者2的第i个未标记训练实例存储在U_data2(i,:);
%L_target - 如果第i个标记的训练实例(针对Learner 1或Learner 2)为正,则L_target(i,1)= 1,否则为Lx1矢量
%L_target(i,1)= 0;
%Test_data1 - 一个Mxd1数组,其中第1个学习者1的测试实例存储在Test_data1(i,:);
%Test_data2 - 一个Mxd2数组,其中第二个学习者2的测试实例存储在Test_data2(i,:);
%Test_target - 一个Mx1向量,如果第i个测试实例是肯定的,则Test_target(i,1)= 1,否则Test_target(i,1)= 0;
%Max_iter - CoTrade的最大迭代次数,默认值= 50;
%
%并返回,
%准确度 - 所学习的CoTrade模型在测试集上的预测准确度
%
%[1] M.-L.张和Z.-H.周。 CoTrade:通过数据编辑进行自信的联合培训。 IEEE Transactions on Systems,Man,and Cyber??netics - Part B:Cyber??netics,in press。
评论1