الانحدار اللوجستي شبه المُشرف
يُوسّع المُصنِّف اللوجستي القياسي ليشمل البيانات غير المُصنَّفة أثناء التدريب. باستخدام أغلفة التعلّم الذاتي (self-training)، أو تقدير التوقعات-تعظيم القيم (expectation-maximization)، أو نشر التسميات (label-propagation)، فإنه يُعيّن بشكل تكراري تسميات ناعمة (soft labels) للأمثلة غير المُصنَّفة ويُحسِّن معلمات النموذج، مما يُحسِّن التعميم عندما تكون البيانات المُصنَّفة نادرة مقارنةً بمجموعة البيانات الكاملة.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- Nigam, K., McCallum, A., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39, 103–134. DOI: 10.1023/a:1007692713085 ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/ar/machine-learning/semi-supervised-logistic-regression
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- انتشار التسميةتعلم الآلة↔ compare
- الانحدار اللوجستي (تعلم الآلة)تعلم الآلة↔ compare
- الانحدار اللوجستي ذاتي الإشرافتعلم الآلة↔ compare
- التعلم شبه المُشرفتعلم الآلة↔ compare
- نايف بايز شبه مُشرف عليهتعلم الآلة↔ compare