Запис на доказателства за метод

Semi-supervised Logistic Regression

Semi-supervised logistic regression extends the standard logistic classifier by incorporating unlabeled data during training. Using self-training, expectation-maximization, or label-propagation wrappers, it iteratively assigns soft labels to unlabeled examples and refines model parameters, improving generalization when labeled data are scarce relative to the full dataset.

Sources recorded, not reviewed

Изходен запис

Цитиранията са копирани дословно от изходния запис на метода. Те не предполагат проверка на ниво твърдение.

Semi-supervised Logistic Regression (Self-training and EM-based variants)

Таксономичен запис на метод · ml-model / machine-learning

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

Отвори пълен метод

Подбрани твърдения

Твърденията са запазени в регистъра на доказателствата, всяко със собствена оценка.

Все още няма подбрани твърдения

Този изглед не измисля оценка на твърдение, когато регистърът няма такава.

Свързани методи

Генерирани от графа на методите и показани като предложени от машината връзки — не се предполага твърдение за доказателство.

Same method familyLabel Propagationmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketLogistic regression (ML)machine-suggested · Relational suggestion, not evidence.Taxonomic bucketSelf-supervised Logistic Regressionmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSemi-supervised Learningmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSemi-supervised Naive Bayesmachine-suggested · Relational suggestion, not evidence.