Puolivalvottu logistinen regressio
Puolivalvottu logistinen regressio laajentaa standardia logistista luokittelijaa sisällyttämällä merkitsemättömiä tietoja koulutuksen aikana. Käyttämällä itseopiskelua (self-training), EM-algoritmia (expectation-maximization) tai label-propagation-kääreitä (wrapper) se iteratiivisesti määrittää pehmeitä luokkia merkitsemättömille esimerkeille ja tarkentaa mallin parametreja, parantaen yleistymiskykyä, kun merkittyjä tietoja on niukasti suhteessa koko aineistoon.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/fi/machine-learning/semi-supervised-logistic-regression
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.
- Label PropagationKoneoppiminen↔ compare
- Logistinen regressio (ML)Koneoppiminen↔ compare
- Itseohjautuva logistinen regressioKoneoppiminen↔ compare
- Puoliohjattu oppiminenKoneoppiminen↔ compare
- Puolivalvottu Naive BayesKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →