Logistická regrese s částečným dohledem
Logistická regrese s částečným dohledem rozšiřuje standardní logistický klasifikátor o začlenění neoznačených dat během tréninku. Pomocí obalů self-training, expectation-maximization nebo label-propagation iterativně přiřazuje měkké popisky neoznačeným příkladům a zpřesňuje parametry modelu, čímž zlepšuje generalizaci, když jsou označená data vzácná vzhledem k celému datovému souboru.
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
- Nigam, K., McCallum, A., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39, 103–134. DOI: 10.1023/a:1007692713085 ↗
- 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). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/cs/machine-learning/semi-supervised-logistic-regression
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.
- Propagace popiskůStrojové učení↔ compare
- Logistická regrese (ML)Strojové učení↔ compare
- Logistická regrese se samoučenímStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- Semisupervizovaný Naive BayesStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →