算法的标签

⑴ sklearn 中的两个半监督标签传播算法 LabelPropagation和LabelSpreading

标签传播算法在机器学习中发挥着独特的作用，它能够将已知标签分配给未标记数据。尤其在半监督学习场景中，少量已标注实例与大量未标注数据共同训练模型，显着提升学习效果。

LabelPropagation是一种高效社区发现算法，不需预先设定目标函数或群体先验信息。它通过在网络结构指引下传播标签，实现未标记数据的分类。标签传播过程遵循相似标签间的紧密连接原则，形成聚类结构。此算法依托图论原理，具体步骤如下：

首先复制数据集，将标签列作为训练目标。然后，通过matplotlib进行可视化分析。随机化数据集的70%标签，随机分配-1值，预处理数据，定义自变量X和因变量y。应用LabelPropagation算法标记所有未标注数据点，准确率可达76.9%。

另一算法——LabelSpreading，也属于半监督学习方法。它构建数据集中样本间的连接图，并利用图的边传播已知标签，标记未标注示例。该算法基于Zhou等人2003年提出的“Learning with Local and Global Consistency”论文，强调邻近点标签一致性假设。

LabelSpreading是对LabelPropagation的正则化改进，它使用拉普拉斯矩阵公式，通过最小化损失函数提升鲁棒性，迭代原始图的修改版，计算归一化拉普拉斯矩阵标准化边权重。关键参数alpha=0.2，表示保留80%的初始标签信息，适应噪声影响。

对比两算法，LabelSpreading通过调整alpha参数增强对噪声的抵抗能力，迭代更新图结构，提供更稳定的学习过程。而LabelPropagation直接基于原始相似矩阵进行标签传播，对内存占用要求较高，尤其在处理高维度数据时，性能表现不如LabelSpreading。

综合来看，LabelSpreading在处理复杂数据集时表现更佳，同时具备更好的鲁棒性和效率。然而，选择哪种算法取决于具体场景需求，如数据特性和可用资源。

⑵ 流程图如何表示算法

1、传统流程图：

2、思路：比大小，10个数，标上标签，依次为1,2,3....10。然后第1个跟第二个比较大小，如果第1个大于第二个，那么交换下1跟2的标签，如果第1个不大于2第二个，不交换标签，接着比较第二个跟第三个，比完最后一个为止。10标签的就是最大的那个数。

3、用C语言方法：

读入a[1~10]

max=a[1]；

for(i=1;i<=10;i++) // i从1~10查找

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

输出max

结束