自训练是一种半监督分类方法，包括平滑度和聚类假设。因此，它也被称为自标记或决策导向学习。
通常，当标记的数据集包含大量关于数据生成过程的信息，并且未标记的样本仅用于微调算法时，自训练是一个不错的选择。
然而，当这些条件不满足时，自训练的结果就不理想。因此自训练在很大程度上取决于标记样本。
自训练的每一步会根据当前决策函数对未标记数据进行标记，并使用预测进行重新训练。
自训练算法以拟合另一个先前学习的监督模型预测的伪标签。
数据实例分为训练集和测试集，分类算法训练在标记训练数据上。评估数据点，使用置信向量表示预测结果。
2、选择与最大置信度相关的前K个值并将其添加到标记数据集中。
3、分类器预测标记测试数据实例的类别标签，并使用选择的指标评估分类器性能。
4、分类器使用新的标记数据集重新训练。
自训练利用标记数据集的结构来发现合适的分离超曲面。在这个过程之后，对未标记的样本进行评估，并将具有足够大置信度的分类点包含在新的训练集中，自训练算法会重复这个过程，直到每个数据点都被分类。
