Ensemble de vote semi-supervisé
Un ensemble de vote semi-supervisé entraîne plusieurs classifieurs sur un petit ensemble étiqueté, puis exploite itérativement des données non étiquetées en faisant étiqueter par les classifieurs les exemples sur lesquels ils sont d'accord, élargissant ainsi le pool d'entraînement jusqu'à ce que tous les classifieurs votent conjointement sur les exemples de test. Il combine l'efficacité d'étiquetage de l'apprentissage semi-supervisé avec la réduction de variance des ensembles par vote majoritaire, ce qui le rend précieux lorsque l'annotation est coûteuse.
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
- Zhou, Z.-H., & Li, M. (2005). Tri-training: Exploiting unlabeled data using three classifiers. IEEE Transactions on Knowledge and Data Engineering, 17(11), 1529–1541. DOI: 10.1109/TKDE.2005.186 ↗
- Blum, A., & Mitchell, T. (1998). Combining labeled and unlabeled data with co-training. Proceedings of the 11th Annual Conference on Computational Learning Theory (COLT), 92–100. DOI: 10.1145/279943.279962 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Voting Ensemble (Agreement-based Multi-classifier with Unlabeled Data). ScholarGate. https://scholargate.app/fr/machine-learning/semi-supervised-voting-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.
- BoostingApprentissage automatique↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- Bagging semi-superviséApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Ensemble par voteApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →