Semi-supervised Random Forest
Semi-supervised Random Forest (SSL-RF) udvider den klassiske Random Forest ved at udnytte både mærkede og umærkede træningseksempler. Når mærkning af data er dyrt eller tidskrævende, tildeler SSL-RF foreløbige pseudo-mærker til umærkede observationer gennem selve skoven, og gen-træner derefter på det berigede datasæt, hvilket gradvist forbedrer nøjagtigheden uden at kræve yderligere menneskelig annotering.
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
- Leistner, C., Saffari, A., Santner, J., & Bischof, H. (2009). Semi-supervised random forests. In Proceedings of the IEEE 12th International Conference on Computer Vision (ICCV), pp. 506–513. IEEE. DOI: 10.1109/ICCV.2009.5459198 ↗
- Zhu, X. (2005). Semi-supervised learning literature survey. Computer Sciences Technical Report 1530, University of Wisconsin-Madison. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/da/machine-learning/semi-supervised-random-forest
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
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →