Bagging Semi-supervisado
El Bagging Semi-supervisado extiende el bagging clásico a entornos donde los ejemplos de entrenamiento etiquetados son escasos pero hay grandes cantidades de datos no etiquetados disponibles. Los estimadores base entrenados con datos etiquetados asignan pseudo-etiquetas a los ejemplos no etiquetados; el conjunto de datos ampliado se utiliza entonces para construir un ensemble diverso cuyo voto agregado es más preciso y estable que cualquier modelo individual entrenado únicamente con el conjunto limitado de datos etiquetados.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised support vector machines. Advances in Neural Information Processing Systems, 11. MIT Press. link ↗
- Li, M., & Zhou, Z.-H. (2005). SETRED: Self-training with editing. In Proceedings of the 9th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD), LNAI 3518, pp. 611–621. Springer. DOI: 10.1007/11430919_71 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Semi-supervised Bagging (Bootstrap Aggregating with Unlabeled Data). ScholarGate. https://scholargate.app/es/machine-learning/semi-supervised-bagging
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 BoostingAprendizaje automático↔ compare
- Propagación de EtiquetasAprendizaje automático↔ compare
- Random ForestAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →