Tablo görevlerinde pseudo-labeling nedir?

Pseudo-etiketleme, sıklıkla tablolar halinde verilerle yapılan yarı denetimli öğrenme yöntemidir. Fikir, etiketli veriler üzerinde eğitilmiş bir modeli kullanarak etiketsiz verilerde etiketleri tahmin etmek ve ardından bu tahmin edilen (sözde) etiketleri eğitim kümesine ekleyerek eğitimi devam ettirmektir.

Boosting ile tablolar halinde görevlerde, bu, özellikle az sayıda etiketli veri olduğunda eğitim verisi hacmini artırmaya yardımcı olur. Örneğin, ilk aşamada etiketli veriler üzerinde model eğitildikten sonra, model etiketsiz kayıtlar için etiketler tahmin eder. Daha sonra, bu kayıtlar sözde etiketlerle eğitim kümesine eklenir ve model genişletilmiş veri kümesi üzerinde yeniden eğitilir.

Sözde etiketlerin kalitesini kontrol etmek önemlidir, örneğin, modelin güven duyduğu (olasılık açısından) sadece tahminleri seçerek, eğitim kalitesini düşürmemek için.

Örnek pseudokod:

# Etiketli verilerle eğitim
model.fit(X_labeled, y_labeled)

# Etiketlenmemiş veriler üzerinde tahmin
pseudo_labels = model.predict(X_unlabeled)

# Güvenilir tahminleri seçme
confident_indices = [i for i, p in enumerate(model.predict_proba(X_unlabeled)) if max(p) > threshold]

# Sözde etiketleri eğitim kümesine ekleme
X_extended = np.concatenate([X_labeled, X_unlabeled[confident_indices]])
y_extended = np.concatenate([y_labeled, pseudo_labels[confident_indices]])

# Modeli yeniden eğitme
model.fit(X_extended, y_extended)