Semi-supervised Stacking Ensemble
Semi-supervised Stacking Ensemble erweitert den klassischen gestapelten Generalisierungsrahmen auf Szenarien, in denen nur ein Bruchteil der Trainingsbeispiele Labels trägt. Basis-Lerner werden zunächst auf gelabelten Daten trainiert, dann verwendet, um Pseudo-Labels für ungelabelte Beispiele zuzuweisen; der erweiterte Datensatz trainiert stärkere Basismodelle, deren Out-of-Fold-Vorhersagen die Eingabe für einen Meta-Lerner bilden, was zu einem zweistufigen Ensemble führt, das sowohl gelabelte als auch ungelabelte Struktur ausnutzt.
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
- Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241–259. DOI: 10.1016/S0893-6080(05)80023-1 ↗
- Chapelle, O., Schölkopf, 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 Stacking Ensemble (Self-trained Stacked Generalization). ScholarGate. https://scholargate.app/de/machine-learning/semi-supervised-stacking-ensemble
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.
- Bagging-EnsembleEnsemble-Lernen↔ compare
- Gradient BoostingMaschinelles Lernen↔ compare
- Label PropagationMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
- StackingMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →