Semi-supervised Bagging
Semi-supervised Bagging udvider den klassiske bagging-ensemblemetode til situationer, hvor mærkede træningseksempler er knappe, men store mængder umærkede data er tilgængelige. Basislæringsalgoritmer trænet på mærkede data tildeler pseudo-mærker til umærkede eksempler; det udvidede datasæt bruges derefter til at opbygge en mangfoldig ensemble, hvis aggregerede stemme er mere nøjagtig og mere stabil end nogen enkelt model trænet alene på det begrænsede mærkede sæt.
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
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised support vector machines. Advances in Neural Information Processing Systems, 11. MIT Press. link ↗
- Li, M., & Zhou, Z.-H. (2005). SETRED: Self-training with editing. In Proceedings of the 9th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD), LNAI 3518, pp. 611–621. Springer. DOI: 10.1007/11430919_71 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Bagging (Bootstrap Aggregating with Unlabeled Data). ScholarGate. https://scholargate.app/da/machine-learning/semi-supervised-bagging
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 BoostingMaskinlæring↔ compare
- Label PropagationMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →