Semi-superviseret Online Indlæring
Semi-superviseret Online Indlæring kombinerer den inkrementelle opdateringsstil fra online indlæring med evnen til at udnytte umærkede eksempler, hvilket gør det muligt for modeller at forbedre sig kontinuerligt fra en datastrøm, hvor kun en lille brøkdel af de ankommende instanser bærer sandheds-mærkater. Det er især værdifuldt, når mærkning er dyr eller forsinket, men data ankommer i realtid.
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
- Goldberg, A., Li, M., & Zhu, X. (2008). Online manifold regularization: A new learning setting and empirical study. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD 2008), Lecture Notes in Computer Science, 5211, 393–407. Springer. link ↗
- Zhu, X., & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-59829-548-3
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Online Learning (Incremental Learning with Partially Labeled Streams). ScholarGate. https://scholargate.app/da/machine-learning/semi-supervised-online-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.
- Aktiv læringMaskinlæring↔ compare
- Label PropagationMaskinlæring↔ compare
- Online læringMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →