Semi-supervised Stacking Ensemble
Semi-supervised Stacking Ensemble udvider det klassiske stacked generalization-framework til scenarier, hvor kun en brøkdel af træningseksemplerne har labels. Basismodeller trænes først på mærkede data, bruges derefter til at tildele pseudo-labels til umærkede eksempler; det udvidede datasæt træner stærkere basismodeller, hvis out-of-fold-prædiktioner danner input til en meta-lærer, hvilket resulterer i en to-trins ensemble, der udnytter både mærket og umærket struktur.
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
- Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241–259. DOI: 10.1016/S0893-6080(05)80023-1 ↗
- Chapelle, O., Schölkopf, 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 Stacking Ensemble (Self-trained Stacked Generalization). ScholarGate. https://scholargate.app/da/machine-learning/semi-supervised-stacking-ensemble
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.
- Bagging EnsembleEnsemblelæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- Label PropagationMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- StackingMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →