एन्सेम्बल सेमी-सुपरवाइज्ड लर्निंग
एन्सेम्बल सेमी-सुपरवाइज्ड लर्निंग, सेमी-सुपरवाइज्ड पैराडाइम के साथ कई बेस लर्नर्स को जोड़ती है, जो थोड़े से लेबल वाले सेट और बिना लेबल वाले डेटा के बड़े पूल दोनों का फायदा उठाती है। विविध क्लासिफायर्स को स्यूडो-लेबलिंग या को-ट्रेनिंग के माध्यम से एक-दूसरे को सिखाने की अनुमति देकर, एन्सेम्बल अकेले किसी भी दृष्टिकोण की तुलना में सीमित लेबल के साथ कहीं अधिक सामान्यीकरण में सुधार करता है।
पूरी विधि पढ़ें
यह खंड पढ़ने के लिए निःशुल्क खाते से साइन इन करें।
Method map
The neighbourhood of related methods — select a node to explore.
स्रोत
- 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 1998), pp. 92–100. ACM. DOI: 10.1145/279943.279962 ↗
इस पृष्ठ का उद्धरण कैसे दें
ScholarGate. (2026, June 3). Ensemble Semi-supervised Learning (Combining Ensemble Methods with Semi-supervised Paradigms). ScholarGate. https://scholargate.app/hi/machine-learning/ensemble-semi-supervised-learning
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.
- बैगिंग (बूटस्ट्रैप एग्रीगेटिंग)मशीन अधिगम↔ compare
- बूस्टिंगमशीन अधिगम↔ compare
- स्व-पर्यवेक्षित शिक्षणमशीन अधिगम↔ compare
- अर्ध-पर्यवेक्षित शिक्षणमशीन अधिगम↔ compare
- ट्रांसफर लर्निंगमशीन अधिगम↔ compare
- मतदान एनसेंबलमशीन अधिगम↔ compare