Metodin todisteiden tietue

Semi-supervised Logistic Regression

Semi-supervised logistic regression extends the standard logistic classifier by incorporating unlabeled data during training. Using self-training, expectation-maximization, or label-propagation wrappers, it iteratively assigns soft labels to unlabeled examples and refines model parameters, improving generalization when labeled data are scarce relative to the full dataset.

Sources recorded, not reviewed

Lähdetietue

Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.

Semi-supervised Logistic Regression (Self-training and EM-based variants)

Taksonominen metoditietue · ml-model / machine-learning

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

Avaa koko metodi

Kuratoituja väitteitä

Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.

Ei vielä kuratoituja väitteitä

Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.

Liittyvät metodit

Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.

Same method familyLabel Propagationmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketLogistic regression (ML)machine-suggested · Relational suggestion, not evidence.Taxonomic bucketSelf-supervised Logistic Regressionmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSemi-supervised Learningmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSemi-supervised Naive Bayesmachine-suggested · Relational suggestion, not evidence.