这篇博客介绍的是一篇用于半监督回归问题的方法：Semisupervised Regression with
Cotraining-Style Algorithms。这是周志华老师在2007年较早的一篇文章，其特点在于，大多数半监督的算法都是用于分类问题的，而Coreg则以相对较简单的方式实现了半监督的回归。

关于半监督学习

基于分歧的半监督学习方法
机器学习教程之半监督学习 Tri-training方法 (论文、数据集、代码)
机器学习教程之半监督学习 Co-training 协同训练 (论文、算法、数据集、代码)
机器学习教程之半监督学习 Coreg 协同回归算法 (论文、算法、数据集、代码)
基于图的半监督学习方法
DeepLearning | 图注意力网络Graph Attention Network（GAT）论文、模型、代码解析
 DeepLearning | 图卷积神经网络(GCN)解析(论文、算法、代码)
DeepLearning | 图卷积网络基于拓扑结构的分类（T-GCN)
机器学习教程之半监督学习基于图正则项的半监督极限学习机

这些博客都提供了算法的讲解和python的代码复现，感兴趣的可以了解一下

一、Co-regression (Coreg) 模型

和 Cotraining 类似，Coreg采用的也是两个学习器相互给无标签数据打标签的方法。不同点在于Coreg针对的是回归问题。

相比于分类问题，该场景下回归问题的难点在于如何挑选置信度较高的伪标签？分类问题很简单，对于一个样本点，如果分类器输出类别的后验概率足够高，那么就可以认为这个预测是准确的，因而可以将该预测设置为无标签数据的伪标签（详细见 Co-training）。但是对于回归问题而言，回归器是没有后验概率这一说法的，所以Core的主要贡献就在于给出了评估预测可靠程度的方法，从而为无标签数据提供伪标签。

Coreg使用了两个KNN回归器，这两个回归器的不同是通过设定不同的距离度量和近邻数量实现的。对一个回归器对一个无标签样本 $x_{u}$ 预测的可靠程度的评估，是通过下面的指标来衡量的

在这里插入图片描述
上式中， $\Omega_{u}$ 指的是 $x_{u}$ 在有标签数据集 $L$ 中的近邻样本集， $h$ 表示的是该KNN回归器， $h^{'}$ 表示的是将 $x_{u}$ 和 $y_{u} =h(x_{u})$ 加入到训练集以后更新得到的回归器。简单来说 $\delta_{x_{u}}$ 评估的是将该伪标签加入到训练集以后对近邻预测的影响， $\delta_{x_{u}}$ 越大，表示加入该伪标签对于准确率提升的收益越大，那么该伪标签就越有可能是正确的