Ensemble semi-supervised learning
Ensemble semi-supervised learning yhdistää useita perusoppijoita puoliohjattuun oppimiseen, hyödyntäen sekä pientä merkittyä joukkoa että suurta merkitsemätöntä dataa. Antamalla erilaisten luokittelijoiden opettaa toisiaan pseudoleimaamisen tai yhteisopetuksen avulla, ensemble parantaa yleistymiskykyä huomattavasti enemmän kuin kumpikaan lähestymistapa yksinään kykenisi rajallisella määrällä merkintöjä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 1998), pp. 92–100. ACM. DOI: 10.1145/279943.279962 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Ensemble Semi-supervised Learning (Combining Ensemble Methods with Semi-supervised Paradigms). ScholarGate. https://scholargate.app/fi/machine-learning/ensemble-semi-supervised-learning
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.
- Bagging (Bootstrap Aggregating)Koneoppiminen↔ compare
- BoostingKoneoppiminen↔ compare
- Itseohjautuva oppiminenKoneoppiminen↔ compare
- Puoliohjattu oppiminenKoneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
- Ääniennuste (Voting Ensemble)Koneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →