今天要來介紹 2 個有點相似的半監督式演算法：Self-training 與 Co-training，Self-training 演算法會著重於使用模型預測來擴充訓練數據，而 Co-training 演算法則強調不同視圖(view)或特徵的融合，以提高性能

接下來，讓我們來了解他們的運作方式！

Self-training

步驟

1. 模型初始化：使用已標記數據對模型進行初始訓練
2. 使用模型進行預測：使用訓練後的模型來對未標記的資料進行預測
3. 將可信度高的預測加入訓練集：預測結果可能會伴隨著可信度分數，將那些可信度高的預測加進訓練集，並將它們視為具有正確標籤的標記資料
4. 更新模型：現在有了一個擴充的訓練集，包括了原始的標記資料和新加入的高可信度預測資料。使用這個擴充的訓練集來重新訓練模型
5. 迭代：重複執行第 2 到第 4 步，直到達到停止條件
   例如模型性能不再提高或未標記的資料耗盡為止

Co-training

思想是透過分別訓練多個模型來互相補充資訊，從而提高對未標記數據的分類性能

步驟

1. 模型初始化：使用已標記數據來對兩個或多個獨立的模型進行初始化
   每個模型會以不同的方式初始化，例如使用不同的子集或特徵當作輸入
2. 選擇：在每次迭代中，從未標記數據挑選出一些資料點，這些資料點對於當前模型的一個或多個預測是不確定的
   通常會通過計算模型的不確定性度量來完成
3. 分別訓練模型：使用已標記數據和被選中的未標記數據，分別訓練每個模型。這些模型的訓練過程是獨立的，並且每個模型都根據其自身特徵集進行訓練。
4. 預測未標記資料：使用訓練好的模型對剩餘的未標記數據進行預測。每個模型對未標記資料點進行預測，並對預測結果進行可信度的評估
5. 標記資料點：從未標記資料中選擇那些被多個模型 預測為正確的資料點(即可信度高的)，將其標記，使其成為已標記資料，以用至下一輪的訓練中
6. 更新模型：使用已標記的新數據更新每個模型
7. 迭代：重複執行第 2 到第 6 步，直到達到停止條件
   例如達到最大迭代次數或未標記數據的標記數量已達到一個閾值