?

關于Transductive和Inductive，維基百科上有一段簡潔扼要的定義：

Transduction is reasoning from obeserved, specific (training) cases to specific (test) cases. In contrast, induction is reasoning from obeserved training cases to gerneral rules, which are then applied to the test cases.

如何理解這二者呢？我們先看下其關于Inductive的定義：

Induction is reasoning from obeserved training cases to gerneral rules, which are then applied to the test cases.

Inductive learning 是從特定任務到一般任務的學習，實際上，我們傳統的supervised learning都可以理解為是Inductive learning的范疇：基于訓練集，我們構建并訓練模型，而后將其應用于測試集的預測任務中，訓練集與測試集之間是相斥的，即測試集中的任何信息是沒有在訓練集中出現過的。即模型本身具備一定的通用性和泛化能力。

再看其關于Transductive的定義：

Transduction is reasoning from observed, specific (training) cases to specific (test) cases.

大家先理解下上面這句話，其中的obeserved其實同時修飾著后面的training cases和test cases。相比Inductive learning，Transductive learning擁有著更廣的視角，在模型訓練之初，就已經窺得訓練集（帶標簽）和測試集（不帶標簽），盡管在訓練之時我們不知道測試集的真實標簽，但可以從其特征分布中學到些額外的信息（如分布聚集性），從而帶來模型效果上的增益。但這也就意味著，只要有新的樣本進來，模型就得重新訓練。

綜上，總結一下這二者的區別：

• 模型訓練：Transductive learning在訓練過程中已經用到測試集數據（不帶標簽）中的信息，而Inductive learning僅僅只用到訓練集中數據的信息。
• 模型預測：Transductive learning只能預測在其訓練過程中所用到的樣本（Specific --> Specific），而Inductive learning，只要樣本特征屬于同樣的歐拉空間，即可進行預測（Specific --> Gerneral）
• 模型復用性：當有新樣本時，Transductive learning需要重新進行訓練；Inductive Leaning則不需要。
• 模型計算量：顯而易見，Transductive Leaning是需要更大的計算量的，即使其有時候確實能夠取得相比Inductive learning更好的效果。

其實，我們僅從它們的字面意思上也可以有些理解，Inductive一般翻譯做歸納式，歸納是從特殊到一般的過程，即從訓練集中學習到某類樣本之間的共性，這種共性是普遍適用的。Transductive一般譯作直推式，則顯得僵硬許多，意味著必須知道它要推論的所有case長什么樣時才能work

作者：望尼瑪
鏈接：https://www.zhihu.com/question/68275921/answer/1574682746
來源：知乎
著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請注明出處。

總結

以上是生活随笔為你收集整理的Transductive和Inductive的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。