Régression linéaire semi-supervisée
La régression linéaire semi-supervisée ajuste un modèle linéaire sur un petit jeu de données étiquetées, puis exploite un plus grand ensemble d'observations non étiquetées pour améliorer les estimations des coefficients et la généralisation. En générant des pseudo-étiquettes pour les points non étiquetés et en affinant itérativement le modèle, elle atteint une meilleure précision prédictive qu'un modèle linéaire purement supervisé entraîné uniquement sur des étiquettes rares.
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
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
- Zhou, Z.-H., & Li, M. (2005). Semi-supervised regression with co-training. Proceedings of the 19th International Joint Conference on Artificial Intelligence (IJCAI), 908–913. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Linear Regression (Linear Model with Labeled and Unlabeled Data). ScholarGate. https://scholargate.app/fr/machine-learning/semi-supervised-linear-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.
- Propagation d'étiquettesApprentissage automatique↔ compare
- Régression linéaire (ML)Apprentissage automatique↔ compare
- Régression linéaire régulariséeApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →