Semi-supervised Bagging
Semi-supervised Bagging extends the classical bagging ensemble to settings where labeled training examples are scarce but large amounts of unlabeled data are available. Base learners trained on labeled data assign pseudo-labels to unlabeled examples; the expanded dataset is then used to grow a diverse ensemble whose aggregated vote is more accurate and more stable than any single model trained on the limited labeled set alone.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised support vector machines. Advances in Neural Information Processing Systems, 11. MIT Press. · URL
- 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
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.