2026a
# fitsemigraph
使用基于半监督图的方法标记数据
函数库: TyMachineLearning
# 语法
Mdl = fitsemigraph(X,Y,UnlabeledX)
# 说明
Mdl = fitsemigraph(X，Y，UnlabeledX) 使用 X 中的预测变量数据和 Y 中的标签来标记 UnlabeledX 中的数据。
# 示例
拟合未标记的数据的标签
使用随机生成的 60 个标记数据的观测值，三个类中每个类中有 20 个观测值。
using TyMachineLearning
using CSV
using DataFrames
file1 = joinpath(pkgdir(TyMachineLearning), "data/Classification/labeledX.csv")
X = CSV.read(file1, DataFrame; header=false)
file2 = joinpath(pkgdir(TyMachineLearning), "data/Classification/Y.csv")
y = CSV.read(file2, DataFrame; header=false)
使用随机生成的 300 个未标记数据的额外观测值，每个类 100 个观测值。
file3 = joinpath(pkgdir(TyMachineLearning), "data/Classification/unlabeledX.csv")
UnlabeledX = CSV.read(file3, DataFrame; header=false)
使用基于半监督图的方法将标签拟合到未标记的数据。函数 fitsemigraph 返回包含未标记数据的拟合标签。
Mdl, Unlabeledy = fitsemigraph(X, y, UnlabeledX)
(PyObject LabelPropagation(kernel='knn'), [1, 1, 1, 1, 1, 1, 1, 1, 1, 1 … 3, 3, 3, 3, 2, 3, 3, 3, 3, 3])
# 输入参数
X - 预测数据矩阵、数组
预测数据，指定为矩阵。X 的每一行对应一个观测值，每一列对应一个预测变量。
数据类型: Matrix | Array
Y - 类标签向量、数组
类标签，指定为数字向量、分类向量、逻辑向量、字符数组、字符串数组或字符向量的单元数组。Y 的每一行表示 X 的对应行的分类。
数据类型: Vector | Array
UnlabeledX - 未标记的预测变量数据矩阵、数组
未标记的预测变量数据，指定为矩阵。UnlabeledX 的每一行对应一个观测值，每列对应一个预测变量。UnlabeledX 必须具有与 X 相同的预测变量，顺序相同。
数据类型: Matrix | Array
# 输出参数
Mdl - 输出值半监督图模型对象
半监督图模型，作为半监督图模型对象返回。