Bagging semi-supervisé
Le Bagging semi-supervisé étend l'ensemble classique de bagging aux contextes où les exemples d'entraînement étiquetés sont rares, mais où une grande quantité de données non étiquetées est disponible. Les apprenants de base entraînés sur des données étiquetées attribuent des pseudo-étiquettes aux exemples non étiquetés ; l'ensemble élargi est ensuite utilisé pour faire croître un ensemble diversifié dont le vote agrégé est plus précis et plus stable que celui de n'importe quel modèle unique entraîné uniquement sur le jeu limité d'étiquettes.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised support vector machines. Advances in Neural Information Processing Systems, 11. MIT Press. link ↗
- Li, M., & Zhou, Z.-H. (2005). SETRED: Self-training with editing. In Proceedings of the 9th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD), LNAI 3518, pp. 611–621. Springer. DOI: 10.1007/11430919_71 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Bagging (Bootstrap Aggregating with Unlabeled Data). ScholarGate. https://scholargate.app/fr/machine-learning/semi-supervised-bagging
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.
- Gradient BoostingApprentissage automatique↔ compare
- Propagation d'étiquettesApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →