scikit-learn LabelSpreading 怎样标记未标注样本

LabelSpreading 在传给 fit 的 y 中使用整数 -1表示未标注样本。已标注和未标注样本的特征都放进 X，y 与 X 按行对应；训练后，从 transduction_ 读取这批样本的推断标签。不要把未知标签填成0，因为0可以是正常类别，会被当作已有标注参与建模。

官方地址：https://scikit-learn.org/。下面依据官方稳定版接口说明，重点讨论数值类别的输入契约。我的取舍是保留原始标签和未标注掩码，把模型结果另存；这是一种接口设计建议，文中小例子未执行，不代表某个实际项目的测试结论。

我会先把未标注与类别零分开

当一份数据表同时存在“类别0”和“尚未确认”时，我会先把两者分开，再选择模型参数。否则，即使程序能顺利运行，也已经改变了监督信号：模型看到的是大量类别0，而不是等待推断的样本。

如果业务原本把-1当作真实类别，我会先建立其他整数编码，并保留映射表。这个保留标记不能同时承担真实类别与未知状态两种职责。

让特征、标签和来源掩码一一对应

接口最重要的约定是 X 的第 i 行与 y 的第 i 项代表同一个样本。筛选、排序或拼接后都要维持对应关系。未标注样本只是在 y 中未知，不意味着它的特征行可以删掉，更不意味着它可以缺少必要特征。

我会额外保存 was_unlabeled = y_input == -1。训练完成后，单看预测出来的0或1无法分辨它是原始人工标注还是模型补全；掩码为后续回看、抽样和结果展示保留这个区别。

一个保留原标签的完整例子

import numpy as np
from sklearn.semi_supervised import LabelSpreading

# 原创二维小样本，仅演示输入输出契约，不代表业务准确率。
X = np.array([
    [0.0, 0.0], [0.2, 0.1], [0.1, 0.3],
    [2.8, 3.0], [3.0, 2.9], [3.1, 3.2],
], dtype=float)
# -1表示未标注，0与1是已有真实类别，使用有符号整数。
y_input = np.array([0, -1, -1, 1, -1, -1], dtype=np.int64)
was_unlabeled = y_input == -1

if X.shape[0] != y_input.shape[0]:
    raise ValueError("特征行数必须与标签数量一致")
if not np.any(~was_unlabeled):
    raise ValueError("至少需要已有标注")
if not np.isfinite(X).all():
    raise ValueError("示例要求所有特征为有限数值")

# 参数用于这个小示例，不是通用最优配置。
model = LabelSpreading(kernel="rbf", gamma=1.0,
                       alpha=0.2, max_iter=100)
model.fit(X, y_input.copy())

# 单独保存推断结果，不覆盖输入标签或人工来源标记。
inferred = model.transduction_.copy()
y_completed = y_input.copy()
y_completed[was_unlabeled] = inferred[was_unlabeled]

print("原始标签:", y_input)
print("未标注位置:", np.flatnonzero(was_unlabeled))
print("这些位置的推断:", inferred[was_unlabeled])
print("保留人工标签的合并视图:", y_completed)
print("分布列对应类别:", model.classes_)

本例中索引1、2、4、5是未标注位置，这是由输入数组直接确定的。它们最终被分到什么类别，要由模型拟合结果决定；本文不预填预测输出。执行示例的读者应关注输入是否保留、输出长度是否与样本一致，以及取出的推断是否对应原来的未知位置。

代码把 y_input 保留下来，y_completed 只覆盖原先未知的位置。这是展示层的合并规则，不是对模型内部行为的描述。LabelSpreading 采用软约束，不能假设 transduction_ 中已标注位置永远与输入完全相同。

输出接口应保留哪些区别

我倾向于把三种数据分开命名：原始标注 y_input、模型对训练样本的赋类 transduction_、保留原标注的应用合并视图 y_completed。这样调用方不会把“模型给出的类”误当成“已经人工确认的标签”。

label_distributions_ 的每一列对应 classes_ 中的类别，而不是必然对应“列号就是业务类别号”。如果之后展示各类分布，应把这两个属性一起解释。分布最大值也不能未经评估就命名为业务正确率或人工可信度。

对这次参与 fit 的样本读取 transduction_；对新增特征调用 predict。两种用途在接口中应分开表达，不要为了处理已有训练样本而把新增样本预测的语义混进来。

哪些输入问题需要提前处理

第一类问题是数据类型。数值类别需要能表达-1的有符号类型；无符号数组不适合直接容纳这个标记。另一类问题是种子标注：如果全部样本都未知，就没有本例所依赖的已有类别信息，不能期待模型凭空给出业务类别定义。

示例的检查也不等于完整生产输入规范。实际服务还应定义类别编码、特征维度、规模限制和返回错误方式。不同特征的量纲会影响相似关系，是否缩放、采用何种核及参数，应由具体数据任务决定；不要因为这个小例子能演示接口就认为参数通用。

未标注样本是不是测试集？不应直接等同。它的特征已参与fit，如果用隐藏真值评价，应明确这是对同一批样本的传导式评估；要评价新样本泛化，另设对应的数据划分和评估方式。

填完标签就能直接替代人工数据吗？推断结果应带模型版本和来源，是否采纳由应用规则决定。保留原始标签能避免把推断伪装成事实，也方便重新建模。

可以把缺失特征也填成-1吗？y中的-1是标签标记，不是X中缺失特征的通用处理规则。两个问题应分别定义。

对于少量已有标注、其余样本等待补全的数值分类任务，这个接口约定很简洁。我会先把未知标记、样本对应关系与输出来源固定下来，再讨论模型质量；这几个字段的职责清楚，调用方才更容易正确使用结果。

参考：LabelSpreading接口；半监督学习说明。