Regulariseret semisuperviseret læring
Regulariseret semisuperviseret læring tilføjer eksplicitte geometriske eller grafbaserede straftermer til en semisuperviseret objektivfunktion, så beslutningsfunktionen varierer glat over datamanifolden. Pioneret gennem manifold regularisering (Belkin, Niyogi & Sindhwani, 2006), udnytter den strukturen af både mærkede og umærkede eksempler til at lære mere nøjagtige modeller end alene superviseret regularisering, når mærkede data er knappe.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Sådan citerer du denne side
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/da/machine-learning/regularized-semi-supervised-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.
- Gaussisk procesMaskinlæring↔ compare
- Label PropagationMaskinlæring↔ compare
- Regulariseret logistisk regressionMaskinlæring↔ compare
- Regulariseret Random ForestMaskinlæring↔ compare
- Selvovervåget læringMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →