基于相似度的半监督学习工业数据分类算法

针对现实场景中大量无监督数据无法有效利用的特点，提出了一种基于数据相似度匹配的半监督学习算法。该方法结合一定的先验知识，通过无监督学习的方式，计算未标记数据与少量有标记数据之间相似度，从而对少数类样本进行扩充。利用构造后的数据集进行模型训练，从而提高模型对于少数类的识别效果。该方法能有效改进分类任务中数据分布不平衡及标记困难的问题，在一组基于真实场景下的电力传感器检测数据分类任务中取得了较好的少数类识别效果。通过对比传统以及半监督的多种分类算法，该方法虽然在准确率上低于传统方法，但是在召回率与F₁值的表现上超越传统方法。