Empilement semi-supervisé
L'empilement semi-supervisé étend le cadre classique de la généralisation empilée aux situations où seule une fraction des exemples d'entraînement porte des étiquettes. Les apprenants de base sont d'abord entraînés sur des données étiquetées, puis utilisés pour attribuer des pseudo-étiquettes à des exemples non étiquetés ; le jeu de données élargi entraîne des modèles de base plus robustes dont les prédictions hors-pli forment l'entrée d'un méta-apprenant, produisant un ensemble à deux niveaux qui exploite la structure étiquetée et non étiquetée.
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
- Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241–259. DOI: 10.1016/S0893-6080(05)80023-1 ↗
- Chapelle, O., Schölkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Stacking Ensemble (Self-trained Stacked Generalization). ScholarGate. https://scholargate.app/fr/machine-learning/semi-supervised-stacking-ensemble
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.
- Ensemble de BaggingApprentissage ensembliste↔ compare
- Gradient BoostingApprentissage automatique↔ compare
- Propagation d'étiquettesApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- EmpilementApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →