Semi-supervised Bagging
Semi-supervised Bagging rozšiřuje klasickou baggingovou metodu (bagging ensemble) na situace, kdy jsou označené tréninkové příklady vzácné, ale k dispozici je velké množství neoznačených dat. Základní učící modely (base learners) trénované na označených datech přiřazují neoznačeným příkladům pseudo-návěští; rozšířená datová sada je pak použita k vytvoření různorodého souboru modelů (diverse ensemble), jehož agregovaný hlas je přesnější a stabilnější než jakýkoli jednotlivý model trénovaný pouze na omezené označené sadě.
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
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised support vector machines. Advances in Neural Information Processing Systems, 11. MIT Press. link ↗
- Li, M., & Zhou, Z.-H. (2005). SETRED: Self-training with editing. In Proceedings of the 9th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD), LNAI 3518, pp. 611–621. Springer. DOI: 10.1007/11430919_71 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Bagging (Bootstrap Aggregating with Unlabeled Data). ScholarGate. https://scholargate.app/cs/machine-learning/semi-supervised-bagging
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.
- Gradient BoostingStrojové učení↔ compare
- Propagace popiskůStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →