昨天分享了 PU Learning 的介紹，今天要來說說他的常見方法 — 2-step strategy

2-step strategy / Two-Step

2-step strategy 主要建立在以下兩個假設之上:

1. 分離性（Separability）：假設正例和負例數據點之間存在自然的分隔間隙，即它們在特徵空間中有明顯的區別
2. 平滑性（Smoothness）：對於相似的兩個數據點 x1 和 x2，它們被分類為正例的機率 P(y=1|x1) 和 P(y=1|x2) 也應該是相似的

步驟

1. 識別出可靠的負例：從未標記的數據集中，我們首先試圖識別出一組可靠的負例樣本，也就是那些信心指數很高的負例數據
2. 迭代構建一系列分類器：我們通過反復應用分類演算法，構建一系列分類器
   首先使用已知的正例和可靠的負例來訓練一個分類器
   然後使用這個分類器來對未標記的數據進行分類，將被分類為負例的部分添加到可靠的負例集中
   不斷重複這個過程，直到無法再找到新的負例為止
3. 選擇最終的分類器：每次迭代都會生成一個新的分類器，我們可以從中選擇一個最終的分類器
   這個選擇的重點是：增加被分類為負例的未標記數據的數量，同時又可以確保正例仍然被正確分類

遵循啟發式（theory—heuristic）方法

Step1. 試圖從未標記數據中找到一些初始可靠的負例樣本
Step2. 試圖通過迭代不斷識別更多的負例樣本