Tri-training
半监督学习
之前提到的算法，多数都属于监督学习算法。其特点在于，构建一个包含标记数据的训练集，用来训练算法模型。
然而，获得标记数据是一个费时费力的高成本过程，实际工作中，更有可能的情况是：少量标记数据+大量未标记数据。
未标记数据的处理方式，一般有如下三种：
主动学习
1.根据标记数据生成一个简单的模型A。
2.挑出对改善模型性能帮助最大的样本数据B。
3.通过查询行业专家获得B的真实标记。
4.根据B的真实标记，更新模型A。
以SVM为例，对于改善模型性能帮助最大的样本往往是位于分类边界的样本，可将这些样本挑出来，查询它的标记。
纯半监督学习和推断学习
纯半监督学习和推断学习，都属于广义上的半监督学习。和主动学习不同，半监督学习无需专家提供的外部信息。
但标记数据总归不能无中生有，半监督学习的实现有赖于若干假设，其中主要有聚类假设和流形假设两种。其本质都是“相似的样本拥有相似的输出”。
纯半监督学习假定未标记数据为训练样本集，而推断学习则认为未标记数据为测试样本集。
虽然多数情况下，半监督学习能有效提升模型的泛化性能，然而这并不是绝对的。当半监督学习之后，模型的泛化性能反而下降时，我们首先需要检查数据是否满足算法所依赖的假设。
参考：
http://www.cnblogs.com/chaosimple/p/3147974.html
半监督学习
协同训练算法
协同训练（co-training）算法是一种多学习器的半监督学习算法。它是多视图（multi-view）学习的代表。
以电影为例，它拥有多个属性集：图像、声音、字幕等。每个属性集就构成了一个视图。
协同训练假设不同的视图具有“相容性”。所谓相容性是指，如果一个电影从图像判断，像是动作片，那么从声音判断，也有很大可能是动作片。
协同训练的算法流程：
1.在每个视图上，基于有标记数据，分别训练出一个分类器。
2.每个分类器挑选自己最有把握的未标记数据，赋予伪标记。
3.其他分类器利用伪标记，进一步训练模型，最终达到相互促进的目的。
理论上，如果不同视图之间具有完全相容性，则模型准确度可达到任意上限。而实际中，虽然很难满足完全相容性假设，但该算法仍能有效提升模型的准确度。
原始的协同训练算法的主要局限在于，构造视图在工程上是件很有难度的事情。后续的一些改进算法针对这点，在应用范围上做了不少改进。如基于不同学习算法、不同的数据采样、不同的参数设置的协同训练算法。
理论研究表明，只要弱学习器之间具有显著分歧（或差异），即可通过相互提供伪标记的方式提升泛化性能。因此，协同训练算法又被称为基于分歧的算法。
Tri-training
2005年，周志华提出了Tri-training算法。该算法的流程如下：
1.首先对有标记示例集进行可重复取样(bootstrap sampling)以获得三个有标记训练集，然后从每个训练集产生一个分类器。
2.在协同训练过程中,各分类器所获得的新标记示例都由其余两个分类器协作提供，具体来说，如果两个分类器对同一个未标记示例的预测相同，则该示例就被认为具有较高的标记置信度，并在标记后被加入第三个分类器的有标记训练集。
参考：
http://www.cnblogs.com/liqizhou/archive/2012/05/11/2496162.html
Tri-training, 协同训练算法
Co-Forest & Co-Trade
Co-Forest & Co-Trade是周志华在Tri-training基础上的改进算法。
参考：
http://lamda.nju.edu.cn/huangsj/dm11/files/gaoy.pdf
半监督学习中的几种协同训练算法