Samoučící se náhodný les
Samoučící se náhodný les (SSL-RF) rozšiřuje klasický náhodný les na scénáře, kde jsou označené příklady vzácné. Les je nejprve natrénován pomocí automaticky generovaných pseudoznaček odvozených ze samoučícího se předběžného úkolu — jako je predikce transformací dat nebo maskovaných příznaků — a poté je vylepšen na jakýchkoli dostupných skutečných značkách, čímž spojuje efektivitu značek samoučícího se učení s robustností ansámblových stromů.
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
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/cs/machine-learning/self-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.
- Rozhodovací stromStrojové učení↔ compare
- Propagace popiskůStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- Samoučící se učeníStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →