Полу-наблюдавана логистична регресия
Полу-наблюдаваната логистична регресия разширява стандартния логистичен класификатор чрез включване на немаркирани данни по време на обучение. Използвайки обвивки за самообучение, очаквано-максимизация или разпространение на етикети, тя итеративно присвоява меки етикети на немаркирани примери и усъвършенства параметрите на модела, подобрявайки генерализацията, когато маркираните данни са оскъдни спрямо пълния набор от данни.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- 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
Как да цитирате тази страница
ScholarGate. (2026, June 3). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/bg/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.
- Label PropagationМашинно обучение↔ compare
- Логистична регресия (ML)Машинно обучение↔ compare
- Логистична регресия със самообучениеМашинно обучение↔ compare
- Полу-наблюдавано обучениеМашинно обучение↔ compare
- Наивен Бейс с полу-наблюдавано обучениеМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →