Semi-supervised Boosting
Semi-supervised Boosting er et ensemble-læringsprincip, der udvider klassiske boosting-algoritmer – såsom AdaBoost – til at udnytte både mærkede og umærkede data. Ved at propagere mærkningsinformation gennem en lighedsstruktur over umærkede instanser, træner den stærkere klassifikatorer end udelukkende superviseret boosting, 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
- Mallapragada, P. K., Jin, R., Jain, A. K., & Liu, Y. (2009). SemiBoost: Boosting for Semi-supervised Learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 31(11), 2000–2014. DOI: 10.1109/TPAMI.2008.235 ↗
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised Support Vector Machines. Advances in Neural Information Processing Systems (NIPS), 11, 368–374. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Boosting (Boosting with Unlabeled Data). ScholarGate. https://scholargate.app/da/machine-learning/semi-supervised-boosting
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.
- AdaBoostMaskinlæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- Label PropagationMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →