Halbüberwachtes Bagging
Halbüberwachtes Bagging erweitert das klassische Bagging-Ensemble auf Szenarien, in denen gelabelte Trainingsbeispiele knapp sind, aber große Mengen ungelabelter Daten verfügbar sind. Basis-Lerner, die auf gelabelten Daten trainiert wurden, weisen ungelabelten Beispielen Pseudolabels zu; der erweiterte Datensatz wird dann verwendet, um ein diverses Ensemble zu erstellen, dessen aggregierte Abstimmung genauer und stabiler ist als jedes einzelne Modell, das allein auf dem begrenzten gelabelten Satz trainiert wurde.
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
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised support vector machines. Advances in Neural Information Processing Systems, 11. MIT Press. link ↗
- Li, M., & Zhou, Z.-H. (2005). SETRED: Self-training with editing. In Proceedings of the 9th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD), LNAI 3518, pp. 611–621. Springer. DOI: 10.1007/11430919_71 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Bagging (Bootstrap Aggregating with Unlabeled Data). ScholarGate. https://scholargate.app/de/machine-learning/semi-supervised-bagging
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 BoostingMaschinelles Lernen↔ compare
- Label PropagationMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →