这个系列我们用现实中经常碰到的小样本问题来串联半监督，文本对抗，文本增强等模型优化方案。小样本的核心在于如何在有限的标注样本上，最大化模型的泛化能力，让模型对unseen的样本拥有很好的预测效果。之前在NER系列中我们已经介绍过DataAugmentation，不熟悉的童鞋看过来中文NER的那些事儿4.数据增强在NER的尝试。样本增强是通过提高标注样本的丰富度来提升模型泛化性，另一个方向半监督方案则是通过利用大量的相同领域未标注数据来提升模型的样本外预测能力。这一章我们来聊聊半监督方案中的一致性正则～一致性正则～一个好的分类器应该对相似的样本点给出一致的预测，于是在训练中通过约束样本和注入噪声

这个系列我们用现实中经常碰到的小样本问题来串联半监督，文本对抗，文本增强等模型优化方案。小样本的核心在于如何在有限的标注样本上，最大化模型的泛化能力，让模型对unseen的样本拥有很好的预测效果。之前在NER系列中我们已经介绍过DataAugmentation，不熟悉的童鞋看过来中文NER的那些事儿4.数据增强在NER的尝试。样本增强是通过提高标注样本的丰富度来提升模型泛化性，另一个方向半监督方案则是通过利用大量的相同领域未标注数据来提升模型的样本外预测能力。这一章我们来聊聊半监督方案中的一致性正则～一致性正则～一个好的分类器应该对相似的样本点给出一致的预测，于是在训练中通过约束样本和注入噪声

大师兄的数据分析学习笔记(二十二）：逻辑回归（LogisticRegression）大师兄的数据分析学习笔记(二十四）：回归树与提升树一、关于分类和回归分类和回归的界限并不大：分类可以看做是有限状态的回归。回归可以看做是无限定序数据的分类。很多模型都是可以在分类和回归中互相借鉴使用，只是在细节处理上需要特殊对待，比如人工神经网络。在监督学习中，所谓分类和回归的目的，可以理解成以下过程：给定一些特征和特征的标注，整理他们的特征、标注和连续值。当一个未知数据进入时，让新数据的特征，和整理好的被给定的数据特征中最相似的数据特征保持一致的分类，或保持相近的连续值。也就是说让测试集和验证集的数据，尽可能

大师兄的数据分析学习笔记(二十二）：逻辑回归（LogisticRegression）大师兄的数据分析学习笔记(二十四）：回归树与提升树一、关于分类和回归分类和回归的界限并不大：分类可以看做是有限状态的回归。回归可以看做是无限定序数据的分类。很多模型都是可以在分类和回归中互相借鉴使用，只是在细节处理上需要特殊对待，比如人工神经网络。在监督学习中，所谓分类和回归的目的，可以理解成以下过程：给定一些特征和特征的标注，整理他们的特征、标注和连续值。当一个未知数据进入时，让新数据的特征，和整理好的被给定的数据特征中最相似的数据特征保持一致的分类，或保持相近的连续值。也就是说让测试集和验证集的数据，尽可能