Árbol de Decisión Semisupervisado
Un Árbol de Decisión Semisupervisado extiende la inducción de árboles de decisión estándar —como CART o C4.5— para explotar observaciones no etiquetadas junto con el conjunto de entrenamiento etiquetado. Al asignar iterativamente etiquetas tentativas a datos no etiquetados e incorporarlos en el proceso de crecimiento o división, el algoritmo puede lograr una mayor precisión que un árbol completamente supervisado entrenado solo con el subconjunto etiquetado, lo cual es especialmente valioso cuando el etiquetado es costoso o consume mucho tiempo.
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
- Levin, E. & Shapiro, E. (2000). Learning Decision Trees from Semi-labeled Examples. Proceedings of the ICML Workshop on Attribute-Value and Relational Learning. link ↗
- Zhu, X. & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-598-29548-9
Cómo citar esta página
ScholarGate. (2026, June 3). Semi-supervised Decision Tree Learning. ScholarGate. https://scholargate.app/es/machine-learning/semi-supervised-decision-tree
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.
- Árbol de DecisiónAprendizaje automático↔ compare
- Gradient BoostingAprendizaje automático↔ compare
- Propagación de EtiquetasAprendizaje automático↔ compare
- Random ForestAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →