Inductive（归纳学习）& Transductive（传导学习）

1. Inductive学习是从训练数据中推断出一般性规律，然后用这些规律预测新的未知数据。换句话说，它是基于一些观察到的例子来推断一般规律。Transductive学习则是利用已知数据的标签来直接推断未知数据的标签。
2. Inductive学习更适合于大规模数据集的训练，因为它可以推断出一般规律并将其应用于新数据。而Transductive学习则更适用于小规模数据集的训练，因为它只能应用于已知的数据集。
3. Inductive学习的目标是学习一个广义的模型，可以适用于训练数据和新数据。而Transductive学习的目标是学习一个特定的模型，仅适用于已知数据。

总的来说，Inductive学习更注重训练数据的广泛性和泛化能力，而Transductive学习更注重针对特定数据集的准确性。

举个例子

假设我们有一些手写数字的图像和它们对应的标签。我们想要训练一个模型来识别手写数字。

• 对于Inductive学习，我们将使用大量的手写数字图像和对应的标签来训练模型。模型将从这些数据中推断出一般性规律，以便于在新的未知图像上做出准确的预测。例如，我们可以使用大量的手写数字图像来训练一个卷积神经网络模型，该模型能够学习到一般的手写数字特征，以便于在新的未知图像上进行分类预测。

• 对于Transductive学习，我们仅使用一小部分手写数字图像和它们对应的标签来训练模型。我们的目标是使用这些已知的图像和标签来预测一组未知的手写数字图像的标签。例如，我们可以使用支持向量机等模型来对一组未知的手写数字图像进行分类预测，该模型只使用了已知的图像和标签，而没有从其他的手写数字图像中推断出一般性规律。

因此，Inductive学习更侧重于广泛的数据集训练，以便于在新的未知数据上具有很好的泛化能力；而Transductive学习更侧重于特定数据集的准确性，以便于对该特定数据集进行预测。

整理自chatGPT