Semi-überwachtes Voting-Ensemble
Ein semi-überwachtes Voting-Ensemble trainiert mehrere Klassifikatoren auf einem kleinen Satz gelabelter Daten und nutzt dann iterativ ungelabelte Daten aus, indem die Klassifikatoren Beispiele labeln, bei denen sie übereinstimmen, wodurch der Trainingspool erweitert wird, bis alle Klassifikatoren gemeinsam über Testbeispiele abstimmen. Es kombiniert die Label-Effizienz des semi-überwachten Lernens mit der Varianzreduktion von Mehrheits-Voting-Ensembles, was es bei kostspieliger Annotation wertvoll macht.
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
- Zhou, Z.-H., & Li, M. (2005). Tri-training: Exploiting unlabeled data using three classifiers. IEEE Transactions on Knowledge and Data Engineering, 17(11), 1529–1541. DOI: 10.1109/TKDE.2005.186 ↗
- Blum, A., & Mitchell, T. (1998). Combining labeled and unlabeled data with co-training. Proceedings of the 11th Annual Conference on Computational Learning Theory (COLT), 92–100. DOI: 10.1145/279943.279962 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Voting Ensemble (Agreement-based Multi-classifier with Unlabeled Data). ScholarGate. https://scholargate.app/de/machine-learning/semi-supervised-voting-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.
- BoostingMaschinelles Lernen↔ compare
- Selbstüberwachtes LernenMaschinelles Lernen↔ compare
- Halbüberwachtes BaggingMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Voting EnsembleMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →