Regularizované semi-supervizované učení
Regularizované semi-supervizované učení přidává k semi-supervizovanému cíli explicitní geometrické nebo grafové penalizační členy, aby se rozhodovací funkce plynule měnila přes datový variet. Tento přístup, iniciovaný regularizací variety (Belkin, Niyogi & Sindhwani, 2006), využívá strukturu označených i neoznačených příkladů k učení přesnějších modelů než samotná supervizovaná regularizace, pokud jsou označená data vzácná.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/cs/machine-learning/regularized-semi-supervised-learning
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.
- Gaussovský procesStrojové učení↔ compare
- Propagace popiskůStrojové učení↔ compare
- Regularizovaná logistická regreseStrojové učení↔ compare
- Regularizovaný náhodný lesStrojové učení↔ compare
- Samoučící se učeníStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →