Forêt aléatoire semi-supervisée
La Forêt aléatoire semi-supervisée (SSL-RF) étend la Forêt aléatoire classique en exploitant à la fois des exemples d'entraînement étiquetés et non étiquetés. Lorsque l'étiquetage des données est coûteux ou chronophage, la SSL-RF attribue des pseudo-étiquettes provisoires aux observations non étiquetées via la forêt elle-même, puis se réentraîne sur l'ensemble de données enrichi, améliorant progressivement la précision sans nécessiter d'annotation humaine supplémentaire.
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
- Leistner, C., Saffari, A., Santner, J., & Bischof, H. (2009). Semi-supervised random forests. In Proceedings of the IEEE 12th International Conference on Computer Vision (ICCV), pp. 506–513. IEEE. DOI: 10.1109/ICCV.2009.5459198 ↗
- Zhu, X. (2005). Semi-supervised learning literature survey. Computer Sciences Technical Report 1530, University of Wisconsin-Madison. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/fr/machine-learning/semi-supervised-random-forest
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
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →