Semi-supervised Random Forest
Semi-supervised Random Forest (SSL-RF) erweitert den klassischen Random Forest durch die Nutzung sowohl von gelabelten als auch von ungelabelten Trainingsbeispielen. Wenn die Kennzeichnung von Daten teuer oder zeitaufwendig ist, weist SSL-RF ungelabelten Beobachtungen über den Forest selbst vorläufige Pseudo-Labels zu, trainiert dann auf dem angereicherten Datensatz neu und verbessert schrittweise die Genauigkeit, ohne dass zusätzliche menschliche Annotationen erforderlich 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
- Leistner, C., Saffari, A., Santner, J., & Bischof, H. (2009). Semi-supervised random forests. In Proceedings of the IEEE 12th International Conference on Computer Vision (ICCV), pp. 506–513. IEEE. DOI: 10.1109/ICCV.2009.5459198 ↗
- Zhu, X. (2005). Semi-supervised learning literature survey. Computer Sciences Technical Report 1530, University of Wisconsin-Madison. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/de/machine-learning/semi-supervised-random-forest
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
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →