Semi-supervised Voting Ensemble
Et semi-supervised voting ensemble træner multiple klassifikatorer på et lille mærket datasæt, og udnytter derefter iterativt umærkede data ved at lade klassifikatorerne mærke eksempler, de er enige om, hvilket udvider træningspuljen, indtil alle klassifikatorer stemmer samlet på testeksempler. Det kombinerer mærknings-effektiviteten af semi-supervised learning med varians-reduktionen af majority-vote ensembles, hvilket gør det værdifuldt, når annotering er omkostningsfuld.
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
- Zhou, Z.-H., & Li, M. (2005). Tri-training: Exploiting unlabeled data using three classifiers. IEEE Transactions on Knowledge and Data Engineering, 17(11), 1529–1541. DOI: 10.1109/TKDE.2005.186 ↗
- Blum, A., & Mitchell, T. (1998). Combining labeled and unlabeled data with co-training. Proceedings of the 11th Annual Conference on Computational Learning Theory (COLT), 92–100. DOI: 10.1145/279943.279962 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Voting Ensemble (Agreement-based Multi-classifier with Unlabeled Data). ScholarGate. https://scholargate.app/da/machine-learning/semi-supervised-voting-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.
- BoostingMaskinlæring↔ compare
- Selvovervåget læringMaskinlæring↔ compare
- Semi-supervised BaggingMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
- StemmeensembleMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →