半监督学习使用一组标记数据（L）来训练模型以预测一组未标记数据（U），然后将新标记数据（L'）和原始标记数据（L）分组为完整的标签数据。
我想问一下如何提取测试数据。
哪一个是对的？
如果测试数据是从（L union L'）中提取的，那么结果没有意义，因为L'中的答案可能是错误的......？
=============================================== ===========编辑新
我有另一个想法.....
3。 我应该在开始时将标记数据（L）分成训练数据（L_train）和测试数据（L_test）。
然后使用L_train训练模型并使用它来预测一组未标记的数据（U），然后将预测结果（L'）和L_train分组。
并且，使用（L_train union L'）训练模型以测试L_test。
哪一个是1,2,3的权利？ 谢谢你的回复。
答案 0 :(得分：2)
您在L上训练分类器。您可以先执行交叉验证以适合某些方法参数P。使用参数P，您可以从标记数据M构建模型L。然后，您可以使用模型M标记未标记的数据U。您加入U（对指定班级最有信心）的示例与L。然后重复该过程，直到所有示例都被分类。
-edit -
我认为最合适的方法是第三种方法。但我可能不理解它，所以这里。
您将L分为L_train和L_test。您使用L_train训练分类器，并且还使用此分类器对U进行分类（根据我上面描述的方法）。通过标记为U和L_train的联合，您可以构建一个新的分类器，并使用它对L_test进行分类。这些分类的差异可用于评估措施（分类准确性，......）。