Python中Scikit-learn如何实现半监督学习_利用LabelPropagation
LabelPropagation要求数据具备局部平滑性，特征须标准化，未标记样本标签必须为-1，且需至少两个已标记类别；拟合用transduction_获取全部预测，不提供置信度，对噪声敏感。
LabelPropagation 在 scikit-learn 中的适用前提
LabelPropagation 不是万能半监督工具，它要求数据天然具备“局部平滑性”——即相似样本大概率共享标签。如果特征空间中同类样本离散、或距离度量失真（比如未标准化的混合类型特征），算法会传播错误标签。它默认使用 RBF 核构建相似图，对 n_neighbors 和 gamma 敏感，且不支持稀疏标签矩阵（即不能只给部分样本标 0/1，其余为 np.nan；必须显式用 -1 表示未标记）。
实际使用前务必检查：
- 特征已标准化（
StandardScaler或MinMaxScaler），尤其当量纲差异大时 - 未标记样本用
-1填充y，不是None、np.nan或字符串 - 训练集里至少有 2 个不同类别的已标记样本，否则图拉普拉斯矩阵奇异
正确初始化和拟合 LabelPropagation
LabelPropagation 的关键参数不是越多越好。默认 kernel='rbf' 足够多数场景；若改用 'knn'，需设 n_neighbors（通常 5–10），但要注意小数据集上过小的 n_neighbors 会导致图不连通。拟合时传入的是完整 X（含未标记样本）和带 -1 的 y，不是只喂已标记子集。
典型写法：
from sklearn.semi_supervised import LabelPropagation from sklearn.preprocessing import StandardScalerX_scaled = StandardScaler().fit_transform(X) y_semi = y.copy() y_semi[unlabeled_indices] = -1 # 必须是整数 -1
lp = LabelPropagation(kernel='rbf', gamma=20, max_iter=1000) lp.fit(X_scaled, y_semi) ypred = lp.transduction # 注意：不是 predict()，是 transduction_ 属性
注意：transduction_ 是模型对全部输入样本的预测结果（含原先未标记的），而 predict() 只能用于新样本——但它内部仍依赖训练时构建的图，泛化能力弱，一般不用。
LabelPropagation 输出结果的解读与陷阱
LabelPropagation 的输出 transduction_ 是硬标签（int 类别），不提供置信度。它不保证所有未标记样本都被重新赋值——若某样本在相似图中孤立（如 KNN 图中邻居全未标记），其标签可能保持为 -1（取决于收敛行为）。更隐蔽的问题是：它对噪声标签极其敏感，一个错标样本可能污染整片邻域。
Python 3.14.3
微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。
排查建议：
- 检查
lp.n_iter_是否达到max_iter，若是，说明未收敛，可调大max_iter或减小gamma - 对比
transduction_[labeled_indices]和原始y[labeled_indices]，确认无已标记样本被覆盖（正常情况下不会，但若gamma过大或图构造异常可能发生） - 用
lp.score(X_scaled[labeled_indices], y[labeled_indices])看已标记部分准确率，骤降往往意味着传播失控
LabelPropagation vs LabelSpreading：选哪个？
两者核心区别在目标函数：LabelPropagation 是硬约束（已标记点标签绝对固定），LabelSpreading 是软约束（允许已标记点在迭代中微调，加了正则项）。实践中，LabelSpreading 更鲁棒，对参数不敏感，且默认就带 alpha 控制已标记点影响力（推荐从 alpha=0.2 试起）；而 LabelPropagation 更适合你完全信任已标注样本、且数据流形结构非常清晰的场景。
简单判断依据：
- 如果你发现
LabelPropagation对已标记样本的预测出错，立刻换LabelSpreading - 如果你需要概率输出，两个都不行——得接
predict_proba的替代方案（如用传播后的伪标签训一个RandomForestClassifier） -
LabelSpreading的kernel参数行为一致，但多一个alpha，少一个gamma（RBF 下用gamma，KNN 下不用）
真正麻烦的从来不是调参，而是未标记样本的分布偏移——如果它们和已标记样本根本不在同一子流形上，再准的图模型也只会把错误扩散得更自信。