Regularisierte halb-überwachte Lernverfahren
Regularisierte halb-überwachte Lernverfahren fügen explizite geometrische oder graphenbasierte Strafterme zu einem halb-überwachten Ziel hinzu, sodass die Entscheidungsfunktion über die Datenmannigfaltigkeit hinweg glatt variiert. Pionierarbeit leistete die Mannigfaltigkeitsregularisierung (Belkin, Niyogi & Sindhwani, 2006). Sie nutzt die Struktur von sowohl gelabelten als auch ungelabelten Beispielen, um genauere Modelle zu lernen als eine rein überwachte Regularisierung allein, wenn gelabelte Daten knapp sind.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/de/machine-learning/regularized-semi-supervised-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.
- Gauß-ProzessMaschinelles Lernen↔ compare
- Label PropagationMaschinelles Lernen↔ compare
- Regularisierte Logistische RegressionMaschinelles Lernen↔ compare
- Regularized Random ForestMaschinelles Lernen↔ compare
- Selbstüberwachtes LernenMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →