Polu-dohledové učení metrik
Polu-dohledové učení metrik se učí adaptovanou vzdálenostní funkci pro daný úkol kombinací malého souboru označených párových omezení — páry „musí být spojeny“ (must-link) a „nesmí být spojeny“ (cannot-link) — s geometrickou strukturou mnohem většího souboru neoznačených dat. Výsledkem je vzdálenost stylu Mahalanobis nebo vzdálenost založená na jádře (kernel-based), která odráží jak dohled, tak topologii dat, čímž zlepšuje následné úlohy, jako je klasifikace nejbližšími sousedy a shlukování.
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
- Yeung, D.-Y., & Chang, H. (2007). A kernel approach for semi-supervised metric learning. IEEE Transactions on Neural Networks, 18(1), 141–149. DOI: 10.1109/TNN.2006.883723 ↗
- Davis, J. V., & Dhillon, I. S. (2008). Structured metric learning for high dimensional problems. Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 195–203. DOI: 10.1145/1401890.1401918 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/cs/machine-learning/semi-supervised-metric-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.
- Učení s malým počtem příkladůStrojové učení↔ compare
- Učení metrikStrojové učení↔ compare
- Samoučící se učeníStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →