Aprendizaje semisupervisado

Por lo tanto, el enfoque transductivo no se utiliza con instancias nuevas y desconocidas, por ejemplo, en un sistema de diagnóstico en línea que realiza detección y diagnóstico a medida que se recopilan nuevos datos.[3]​ Los algoritmos inductivos generalmente desarrollan un modelo durante la fase de entrenamiento que puede ser utilizado posteriormente para etiquetar datos no vistos.[4]​[5]​ El objetivo en este caso es utilizar las instancias no etiquetadas ya disponibles durante la etapa de entrenamiento para mejorar el modelo que podría haberse obtenido si solo se hubieran utilizado instancias etiquetadas para el entrenamiento.Luego, el clasificador se vuelve a entrenar (o los clasificadores se vuelven a entrenar) utilizando tanto las instancias etiquetadas originales como las nuevas instancias etiquetadas (también llamadas pseudo-etiquetadas) para mejorar el modelo, en un proceso que puede realizarse varias veces.El aprendizaje supervisado, quizás la técnica más popular dentro del aprendizaje automático, tiene una contrapartida al ser aplicada en entorno real, ya que necesita una gran cantidad de datos etiquetados, y es que en muchas situaciones obtener una instancia de un dato es sencillo, pero darle su etiqueta real es una tarea difícil y costosa.