Semi-überwachte logistische Regression
Die semi-überwachte logistische Regression erweitert den Standard-Logistik-Klassifikator, indem sie unmarkierte Daten während des Trainings einbezieht. Mithilfe von Self-Training, Erwartungs-Maximierung oder Label-Propagation-Wrappern weist sie unmarkierten Beispielen iterativ weiche Labels zu und verfeinert die Modellparameter, wodurch die Generalisierung verbessert wird, wenn markierte Daten im Verhältnis zum gesamten Datensatz 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
- Nigam, K., McCallum, A., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39, 103–134. DOI: 10.1023/a:1007692713085 ↗
- 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). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/de/machine-learning/semi-supervised-logistic-regression
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.
- Label PropagationMaschinelles Lernen↔ compare
- Logistische Regression (ML)Maschinelles Lernen↔ compare
- Logistische Regression mit SelbstüberwachungMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Semi-supervised Naive BayesMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →