Semi-supervised Random Forest
Semi-supervised Random Forest (SSL-RF) rozšiřuje klasický Random Forest o využití jak označených, tak neoznačených trénovacích příkladů. V případech, kdy je označování dat nákladné nebo časově náročné, SSL-RF přiřazuje neoznačeným pozorováním předběžné pseudo-štíky prostřednictvím samotného lesa, poté se překonfiguruje na obohacenou datovou sadu a postupně zlepšuje přesnost bez nutnosti dodatečné lidské anotace.
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
- Leistner, C., Saffari, A., Santner, J., & Bischof, H. (2009). Semi-supervised random forests. In Proceedings of the IEEE 12th International Conference on Computer Vision (ICCV), pp. 506–513. IEEE. DOI: 10.1109/ICCV.2009.5459198 ↗
- Zhu, X. (2005). Semi-supervised learning literature survey. Computer Sciences Technical Report 1530, University of Wisconsin-Madison. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/cs/machine-learning/semi-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.
- Gradient BoostingStrojové učení↔ compare
- Propagace popiskůStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →