Halb-überwachtes Entscheidungsbaumverfahren
Ein halb-überwachtes Entscheidungsbaumverfahren erweitert Standard-Entscheidungsbauminduktionsverfahren – wie CART oder C4.5 –, um neben dem gelabelten Trainingsdatensatz auch ungelabelte Beobachtungen zu nutzen. Durch iterative Zuweisung vorläufiger Labels zu ungelabelten Daten und deren Einbeziehung in den wachsenden oder teilenden Prozess kann der Algorithmus eine höhere Genauigkeit erzielen als ein rein überwachter Baum, der allein auf dem gelabelten Teil-Datensatz trainiert wurde. Dies ist besonders wertvoll, wenn das Labeling kostspielig oder zeitaufwendig ist.
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
- Levin, E. & Shapiro, E. (2000). Learning Decision Trees from Semi-labeled Examples. Proceedings of the ICML Workshop on Attribute-Value and Relational Learning. link ↗
- Zhu, X. & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-598-29548-9
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Decision Tree Learning. ScholarGate. https://scholargate.app/de/machine-learning/semi-supervised-decision-tree
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.
- EntscheidungsbaumMaschinelles Lernen↔ compare
- Gradient BoostingMaschinelles Lernen↔ compare
- Label PropagationMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →