Arbre de décision semi-supervisé
Un arbre de décision semi-supervisé étend l'induction standard des arbres de décision — tels que CART ou C4.5 — pour exploiter des observations non étiquetées aux côtés de l'ensemble d'entraînement étiqueté. En attribuant itérativement des étiquettes provisoires aux données non étiquetées et en les incorporant dans le processus de croissance ou de division, l'algorithme peut atteindre une meilleure précision qu'un arbre entièrement supervisé entraîné uniquement sur le sous-ensemble étiqueté, ce qui est particulièrement précieux lorsque l'étiquetage est coûteux ou prend du temps.
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
- Levin, E. & Shapiro, E. (2000). Learning Decision Trees from Semi-labeled Examples. Proceedings of the ICML Workshop on Attribute-Value and Relational Learning. link ↗
- Zhu, X. & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-598-29548-9
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Decision Tree Learning. ScholarGate. https://scholargate.app/fr/machine-learning/semi-supervised-decision-tree
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.
- Arbre de décisionApprentissage automatique↔ compare
- Gradient BoostingApprentissage automatique↔ compare
- Propagation d'étiquettesApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →