Polosupervizované posilování (Semi-supervised Boosting)
Poloučeníkové posilování je souborová výuková paradigma, které rozšiřuje klasické posilovací algoritmy — jako je AdaBoost — tak, aby využívaly jak označená, tak neoznačená data. Propagací informací o štítcích prostřednictvím strukturní podobnosti napříč neoznačenými instancemi trénuje silnější klasifikátory než samotné učení s učitelem, 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
- Mallapragada, P. K., Jin, R., Jain, A. K., & Liu, Y. (2009). SemiBoost: Boosting for Semi-supervised Learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 31(11), 2000–2014. DOI: 10.1109/TPAMI.2008.235 ↗
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised Support Vector Machines. Advances in Neural Information Processing Systems (NIPS), 11, 368–374. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Boosting (Boosting with Unlabeled Data). ScholarGate. https://scholargate.app/cs/machine-learning/semi-supervised-boosting
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.
- AdaBoostStrojové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- Propagace popiskůStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →