Semi-supervised Voting Ensemble
A semi-supervised voting ensemble trains multiple classifiers on a small labeled set, then iteratively exploits unlabeled data by having the classifiers label examples they agree on, expanding the training pool until all classifiers vote jointly on test examples. It combines the label-efficiency of semi-supervised learning with the variance-reduction of majority-vote ensembles, making it valuable when annotation is costly.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
- Zhou, Z.-H., & Li, M. (2005). Tri-training: Exploiting unlabeled data using three classifiers. IEEE Transactions on Knowledge and Data Engineering, 17(11), 1529–1541. · DOI 10.1109/TKDE.2005.186
- Blum, A., & Mitchell, T. (1998). Combining labeled and unlabeled data with co-training. Proceedings of the 11th Annual Conference on Computational Learning Theory (COLT), 92–100. · DOI 10.1145/279943.279962
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.