Eneseteadlik juhuslik mets
Eneseteadlik juhuslik mets (SSL-RF) laiendab klassikalist juhuslikku metsa olukordadesse, kus märgistatud näiteid on vähe. Mets treenitakse esmalt automaatselt genereeritud pseudomärgistega, mis on tuletatud eneseteadlikust eelülesandest – näiteks andmetransformatsioonide või maskeeritud tunnuste ennustamine – ja seejärel täiustatakse olemasolevate tõeliste märgistega, ühendades eneseteadliku õppimise märgiseefektiivsuse ja ensemble-puude robustsuse.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/et/machine-learning/self-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.
- OtsustuspuuMasinõpe↔ compare
- Siltide levitamineMasinõpe↔ compare
- Juhuslik metsMasinõpe↔ compare
- Enesest juhendav õppimineMasinõpe↔ compare
- Poolitatud järelevalvega õppimineMasinõpe↔ compare
- XGBoostMasinõpe↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →