Bosque Aleatorio Semi-supervisado
El Bosque Aleatorio Semi-supervisado (SSL-RF) extiende el Bosque Aleatorio clásico al explotar tanto ejemplos de entrenamiento etiquetados como no etiquetados. Cuando etiquetar datos es costoso o consume mucho tiempo, SSL-RF asigna pseudo-etiquetas tentativas a las observaciones no etiquetadas a través del propio bosque, luego reentrena con el conjunto de datos enriquecido, mejorando progresivamente la precisión sin requerir anotaciones humanas adicionales.
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
- Leistner, C., Saffari, A., Santner, J., & Bischof, H. (2009). Semi-supervised random forests. In Proceedings of the IEEE 12th International Conference on Computer Vision (ICCV), pp. 506–513. IEEE. DOI: 10.1109/ICCV.2009.5459198 ↗
- Zhu, X. (2005). Semi-supervised learning literature survey. Computer Sciences Technical Report 1530, University of Wisconsin-Madison. link ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/es/machine-learning/semi-supervised-random-forest
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
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →