Active Learning through density clustering演算法說明

輸入: U及C所組成的S如Table 1，N是請人Label的最大樣本數。

輸出: d(x)是對每個樣本Label的結果。

Line 1 初始化，UIII是全部未Label的樣本，UII是電腦自己Label(根據人Label的樣本)，UI是要請人Label的樣本。

Line 2 是用buildMasterTree演算法得到Ro陣列, 最短距離delta陣列, Master Tree陣列，在另一篇有解說此演算法。

Line 3~15 是要教和分類可確定Label的同質群( pure blocks)

  Line 3 的k是分群數，分到UI的樣本數大於等於N或UIII的樣本Label完為止。

  Line 4 使用densityCluster演算法得到群中心ct陣列及群清單bl陣列。在另一篇有解說此演算法。

  Line 5 選出影響力大的樣本請人Label

  Line 6 將上一行選出的樣本加入UI，並從UIII中移出。

  Line 8~13 是依序檢查bl (檢查每一群)，若bli未全Label，且已Label的數量大於等於根號N，且已Label的樣本Label一致，則將bli未Label的樣本Label成和已Label一樣。

  Line 14 將上一個Loop，樣本是用Label相同Label的方式的，加入到UII，並從UIII移出。

  Line 16~22 如果 UIII沒有全部用完，依序抓bli中未Label的樣本，用Standard voting來Label。