可以用带标签的训练集训练神经网络，并用不带标签的数据集对其进行测试吗？答案

【问题标题】：Can train a neural network with a training set with a label and test it with a dataset without a label?可以用带标签的训练集训练神经网络，并用不带标签的数据集对其进行测试吗？
【发布时间】：2014-01-05 05:06:39
【问题描述】：

我有一个一直困扰我的问题。我可以用带标签的数据集（即：带有目标信息的数据集）训练神经网络，然后应用另一个没有标签的数据集吗？

我想用我拥有的示例训练网络，但在实际情况下希望它对示例进行分类（没有关联的目标）。例如：

训练集：

Var1  Var2  Var3  Var4  Target
1     2     3      1     blue

测试集（没有目标，其实就是我想知道的）

Var1  Var2  Var3  Var4  
 1     2     3      1

假设的预测必须是蓝色的。

我正在使用 rapid miner 来测试神经网络，但我很快就明白我无法应用这个测试集，因为它错过了标签。

那我该如何解决我的问题呢？我想知道我是否需要针对这个问题探索无监督神经网络，但老实说我不这么认为。

亲切的问候。

【问题讨论】：

第一个问题的答案是“是”：一个训练有素的分类器需要预先标记其输入是完全没用的。

标签： neural-network rapidminer supervised-learning

【解决方案1】：

在没有标签的数据集上应用分类器（包括类似于 mlp 的 nn）是分类器的实际使用。但是，当您说 test 时，您的意思是您希望看到像 false alarm rate 或 precision 这样的质量度量，并且您需要标签来执行此操作。

假设您想训练一个分类器，然后在实际案例中使用它，我强烈建议您在之前用标记数据对其进行测试，并尝试使用具有最理想精度的模型。否则你可能会有大量的错误预测，这当然会打扰你。

如果您只有一个带有少量样本的标记数据集，您可以尝试k-fold 验证。

【讨论】：

【解决方案2】：

对于监督学习，您可以使用标记的训练集来训练您拥有的任何模型。然后，您可以使用该模型来预测未标记集的标签。

如果您碰巧也有测试集的标签，您可以将预测值与测试集标签进行比较。这样您就可以评估预测误差（即测试模型，因此得名 - 测试集）

如果您只对预测感兴趣，则绝对不需要标签。

【讨论】：