رگرسیون لجستیک نیمهنظارتشده
رگرسیون لجستیک نیمهنظارتشده، طبقهبند استاندارد لجستیک را با گنجاندن دادههای بدون برچسب در طول آموزش گسترش میدهد. با استفاده از خودآموزی (self-training)، بیشینهسازی امید ریاضی (expectation-maximization)، یا پوششهای انتشار برچسب (label-propagation)، به طور تکراری برچسبهای نرم (soft labels) را به نمونههای بدون برچسب اختصاص میدهد و پارامترهای مدل را اصلاح میکند، که تعمیمپذیری را در مواردی که دادههای برچسبدار نسبت به مجموعه داده کامل کمیاب هستند، بهبود میبخشد.
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
- Nigam, K., McCallum, A., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39, 103–134. DOI: 10.1023/a:1007692713085 ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/fa/machine-learning/semi-supervised-logistic-regression
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.
- انتشار برچسب (Label Propagation)یادگیری ماشین↔ compare
- رگرسیون لجستیک (یادگیری ماشین)یادگیری ماشین↔ compare
- رگرسیون لجستیک خودنظارتییادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
- نِیو بِیز نیمهنظارتشدهیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →