本文主要是介绍什么是Inductive learning和Transductive learning，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1. Inductive learning
Inductive learning (归纳式学习)。归纳是从已观测到的数据到一般数据的推理，归纳学习即我们平时所说的监督学习，使用带有标签的数据进行模型训练，然后使用训练好的模型预测测试集数据的标签，训练集数据不包含测试集数据。
2. Transductive learning
Transductive learning (直推式学习)。直推是从观测到的特定数据到特定数据的推理。直推学习与归纳学习不同的是，训练数据和测试数据在之前都已经可以观测，我们从已知的训练数据学习特征来预测测试集标签。即使我们不知道测试集的标签，我们也可以从学习过程中利用数据中的特征或其它信息来进行推理。换言之，直推式学习是用训练集数据和测试集数据共同训练模型，然后再用测试集数据进行测试。
3. 两种方法的差异
两种学习方法最明显的差异就是在Transductive learning中，训练数据和测试数据都是可观测的，而在Inductive learning中测试数据是你事先并不知道的。
Transductive learning不能构建预测模型，当测试集来了新数据后我们需要重新运行算法从头开始学习，然后预测测试集标签。而Inductive learning构建了一个预测模型，当测试集来了新数据后可以直接来进行预测。
简单来讲，Inductive learning构建了一个一般模型，可以根据可观测数据（训练数据）来预测任意新的数据。相反，Transductive learning构建了一个只适用于可观测预测数据和测试数据的模型。
我们用一张表来总结这一差异：
| Inductive learning | Transductive learning |
|---|---|
| 可以标记从未出现过的数据 | 仅能标记已出现过的数据 |
| 能够构建预测模型，当出现新的测试数据可以用预测模型直接预测标签 | 不能构建预测模型，当出现新的测试数据需要重新运行整个算法 |
| 可以预测空间中任意未标记数据 | 仅能预测基于训练集学习的数据 |
| 计算量小 | 计算量大 |
4. 示例说明
假设我们有如下数据，其中有是4个数据(A, B, C, D)是有标签的（红色和绿色），剩下14个数据是不带有标签的。我们需要用这4个带标签的数据来预测这剩下14个数据的分类（颜色）。
如果采用Inductive learning，我们需要使用这4个标记数据构建监督学习模型。但由于训练数据太少，我们构建的模型不能准确反映数据的结构。我们使用了近邻域算法，从图上来看，相比于C和D，12和14两个数据似乎离A和B要更近一点，所以我们得到的预测结果就会如下图Fig 2所示。
如果我们有一些额外信息，比如两两数据点间的相似性，相似就用线把两个点连接起来(如图 Fig 3所示)。我们可以使用这些额外信息来帮助我们标记未知数据。
在transductive learning方法中，我们可以使用semi-supervised graph-based label propagation algorithm来标记未知数据，如图4所示。除了已知标签数据之外（A,B,C,D），无标签数据的特征信息（数据间的相似性）同样帮助了我们对标签进行预测。由于12和14两个数据点和绿色的数据连接的更多，所以我们推测12和14更有可能是绿色而不是红色。
因此，如果我们已知训练数据和测试数据，我们可以使用transductive learning；如果我们只知道训练数据，我们不得不采用Inductive learning.
参考：
[1] Inductive vs. Transductive Learning
[2] 理解直推式学习和归纳式学习
这篇关于什么是Inductive learning和Transductive learning的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
