Полу-наблюдавано случайно дърво
Полу-наблюдаваното случайно дърво (SSL-RF) разширява класическото случайно дърво, като използва както маркирани, така и немаркирани тренировъчни примери. Когато маркирането на данни е скъпо или отнема време, SSL-RF присвоява временни псевдо-маркировки на немаркирани наблюдения чрез самото дърво, след което преобучава върху обогатения набор от данни, прогресивно подобрявайки точността без нужда от допълнително човешко анотиране.
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
- Leistner, C., Saffari, A., Santner, J., & Bischof, H. (2009). Semi-supervised random forests. In Proceedings of the IEEE 12th International Conference on Computer Vision (ICCV), pp. 506–513. IEEE. DOI: 10.1109/ICCV.2009.5459198 ↗
- Zhu, X. (2005). Semi-supervised learning literature survey. Computer Sciences Technical Report 1530, University of Wisconsin-Madison. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/bg/machine-learning/semi-supervised-random-forest
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.
- Градиентен бустингМашинно обучение↔ compare
- Label PropagationМашинно обучение↔ compare
- Случайна гораМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →