Regularisoitu puoliohjattu oppiminen
Regularisoitu puoliohjattu oppiminen lisää eksplisiittisiä geometrisia tai graafipohjaisia rangaistustermejä puoliohjattuun tavoitefunktioon siten, että päätösfunktio vaihtelee tasaisesti data-manifoldin yli. Manifoldiregularisaation (Belkin, Niyogi & Sindhwani, 2006) edelläkävijöimänä se hyödyntää sekä merkittyjen että merkitsemättömien esimerkkien rakennetta oppiakseen tarkempia malleja kuin pelkkä ohjattu regularisointi, kun merkittyä dataa on niukasti.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/fi/machine-learning/regularized-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.
- Gaussinen prosessiKoneoppiminen↔ compare
- Label PropagationKoneoppiminen↔ compare
- Regularisoitu logistinen regressioKoneoppiminen↔ compare
- Regularized Random ForestKoneoppiminen↔ compare
- Itseohjautuva oppiminenKoneoppiminen↔ compare
- Puoliohjattu oppiminenKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →