1.一种半监督分类预测方法，包括以下步骤：

步骤一、构建有标签数据和无标签数据：

(1)利用爬虫技术从互联网中获取数据，或者利用已有的数据集；这些数据集中每个样本将包括具体的属性特征；

(2)在整个数据集中，每个样本的类别将由标签唯一表示；其中，有标签表示的样本称为有标签数据，无标签表示的样本称为无标签数据；

步骤二、对无标签数据进行伪标签标记：

(1)利用数据集中的有标签数据，训练一个基模型分类器；

(2)利用基模型分类器对无标签数据进行预测，并给出每个样本在类别上的概率值；设置一个高置信度阈值δ，与所有样本的所属类别概率值比较，将大于置信度δ的伪标签数据加入到原来的训练集A＝[L1,L2,...,Lc]∈Rc，小于置信度δ保留为无标签数据B＝[U1,cU2,...,Uc]∈R ；其中Lk为类别为k的数据集，k＝1,2,3...；R表示实体，c为数据的所有类别数目；

步骤三、寻找带有冗余的数据区域，具体实现步骤如下：

(1)获得有标签的数据集A＝[L1,L2,...,Lc]∈Rc，将类别为k有标签数据记为Lk，并记样本集Lk＝[l1,l2,...,ln]∈Rp×n，其中样本属性值集为X＝[x1,x2,...,xn]∈R(p-1)×n,样本标签值为Y＝[y1,y2,...,yn]∈R1×n；设样本集X的均值 将 作为样本集Lk的数据中心；其中，n为视图X，Y的样本个数，p分别为样本X的属性个数，xi和yi分别表示X，Y的第i个样本；

(2)对所有的类别求数据中心M＝[m1,m2,...,mc]∈Rp×c；分别围绕每个中心产生一个有c限空间，将有限空间里的样本记为qk，记有限空间集为Q＝[q1,q2,...,qc]∈R；

(3)在充分考虑每个类别的样本的分布情况下，获得一个距离阈值τ，将量化有限空间中所有样本到中心的距离，利用阈值及中心M对有标签数据进行划分。在同样量化的目标下，将数据样本到中心M的距离小于τ的量化空间集作为 以及将数据样本到中心M的距离大于τ的量化空间集作为

(4)同时，τ控制每个中心的样本密度 针对所有量化空间集Qτ，利用密度阈值ρτ对数据集Qτ划分为 为需要优化的冗余区域， 为均匀空间集；

步骤四、优化空间集 并重新训练基模型；

(1)在步骤三中获得冗余区域 其中c1＝n-c2，c2为 有限空间集数量；

(2)在充分考虑每个冗余区域的中心密度，利用随机采样的方法对有限量化空间 里的数据进行离散化；设置采样率η将保证数据的平稳性，记采样后的量化空间为其中(3)将步骤三中所获得的Qo， 合并成新的有标签数据集，然后重复步骤二，直到无标签数据集为空，或者到达所设定的迭代次数。