演算法的標簽

⑴ sklearn 中的兩個半監督標簽傳播演算法 LabelPropagation和LabelSpreading

標簽傳播演算法在機器學習中發揮著獨特的作用，它能夠將已知標簽分配給未標記數據。尤其在半監督學習場景中，少量已標注實例與大量未標注數據共同訓練模型，顯著提升學習效果。

LabelPropagation是一種高效社區發現演算法，不需預先設定目標函數或群體先驗信息。它通過在網路結構指引下傳播標簽，實現未標記數據的分類。標簽傳播過程遵循相似標簽間的緊密連接原則，形成聚類結構。此演算法依託圖論原理，具體步驟如下：

首先復制數據集，將標簽列作為訓練目標。然後，通過matplotlib進行可視化分析。隨機化數據集的70%標簽，隨機分配-1值，預處理數據，定義自變數X和因變數y。應用LabelPropagation演算法標記所有未標注數據點，准確率可達76.9%。

另一演算法——LabelSpreading，也屬於半監督學習方法。它構建數據集中樣本間的連接圖，並利用圖的邊傳播已知標簽，標記未標注示例。該演算法基於Zhou等人2003年提出的「Learning with Local and Global Consistency」論文，強調鄰近點標簽一致性假設。

LabelSpreading是對LabelPropagation的正則化改進，它使用拉普拉斯矩陣公式，通過最小化損失函數提升魯棒性，迭代原始圖的修改版，計算歸一化拉普拉斯矩陣標准化邊權重。關鍵參數alpha=0.2，表示保留80%的初始標簽信息，適應雜訊影響。

對比兩演算法，LabelSpreading通過調整alpha參數增強對雜訊的抵抗能力，迭代更新圖結構，提供更穩定的學習過程。而LabelPropagation直接基於原始相似矩陣進行標簽傳播，對內存佔用要求較高，尤其在處理高維度數據時，性能表現不如LabelSpreading。

綜合來看，LabelSpreading在處理復雜數據集時表現更佳，同時具備更好的魯棒性和效率。然而，選擇哪種演算法取決於具體場景需求，如數據特性和可用資源。

⑵ 流程圖如何表示演算法

1、傳統流程圖：

2、思路：比大小，10個數，標上標簽，依次為1,2,3....10。然後第1個跟第二個比較大小，如果第1個大於第二個，那麼交換下1跟2的標簽，如果第1個不大於2第二個，不交換標簽，接著比較第二個跟第三個，比完最後一個為止。10標簽的就是最大的那個數。

3、用C語言方法：

讀入a[1~10]

max=a[1]；

for(i=1;i<=10;i++) // i從1~10查找

if(max<a[i]) max=a[i];

輸出max

結束