Semi-supervised logistisk regression
Semi-supervised logistisk regression udvider den standard logistiske klassifikator ved at inkorporere umærkede data under træning. Ved hjælp af selvtræning, expectation-maximization eller label-propagation wrappers, tildeler den iterativt bløde labels til umærkede eksempler og forfiner modelparametre, hvilket forbedrer generalisering, når mærkede data er knappe i forhold til det fulde datasæt.
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
- Nigam, K., McCallum, A., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39, 103–134. DOI: 10.1023/a:1007692713085 ↗
- 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). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/da/machine-learning/semi-supervised-logistic-regression
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.
- Label PropagationMaskinlæring↔ compare
- Logistisk regression (ML)Maskinlæring↔ compare
- Selv-superviseret logistisk regressionMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
- Semi-superviseret Naive BayesMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →