Aprendizaje de métricas semisupervisado
El aprendizaje de métricas semisupervisado aprende una función de distancia adaptada a la tarea combinando un pequeño conjunto de restricciones de pares etiquetados —pares must-link y cannot-link— con la estructura geométrica de un conjunto mucho mayor de datos sin etiquetar. El resultado es una distancia de estilo Mahalanobis o basada en kernel que refleja tanto la supervisión como la topología de los datos, mejorando las tareas posteriores como la clasificación de vecinos más cercanos y el agrupamiento.
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
- Yeung, D.-Y., & Chang, H. (2007). A kernel approach for semi-supervised metric learning. IEEE Transactions on Neural Networks, 18(1), 141–149. DOI: 10.1109/TNN.2006.883723 ↗
- Davis, J. V., & Dhillon, I. S. (2008). Structured metric learning for high dimensional problems. Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 195–203. DOI: 10.1145/1401890.1401918 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/es/machine-learning/semi-supervised-metric-learning
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.
- Aprendizaje con Pocos EjemplosAprendizaje automático↔ compare
- Aprendizaje métricoAprendizaje automático↔ compare
- Aprendizaje autosupervisadoAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
- Aprendizaje por transferenciaAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →