بگینگ نیمهنظارتشده
بگینگ نیمهنظارتشده (Semi-supervised Bagging) روش بگینگ کلاسیک را به شرایطی گسترش میدهد که نمونههای آموزشی برچسبدار کمیاب هستند، اما مقادیر زیادی داده بدون برچسب در دسترس است. یادگیرندههای پایه که بر روی دادههای برچسبدار آموزش دیدهاند، برچسبهای کاذب (pseudo-labels) را به نمونههای بدون برچسب اختصاص میدهند؛ سپس مجموعه داده گسترشیافته برای رشد یک مجموعه متنوع (diverse ensemble) استفاده میشود که رأی تجمیعشده آن دقیقتر و پایدارتر از هر مدل منفردی است که تنها بر روی مجموعه برچسبدار محدود آموزش دیده است.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Semi-supervised Bagging (Bootstrap Aggregating with Unlabeled Data). ScholarGate. https://scholargate.app/fa/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.
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- انتشار برچسب (Label Propagation)یادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →