Polu-nadgledana logistička regresija
Polu-nadgledana logistička regresija proširuje standardni logistički klasifikator uključivanjem neoznačenih podataka tijekom treniranja. Koristeći omote (wrappers) kao što su self-training, očekivane vrijednosti-maksimalizacija (expectation-maximization) ili propagacija oznaka (label-propagation), ona iterativno dodjeljuje meke oznake neoznačenim primjerima i poboljšava parametre modela, poboljšavajući generalizaciju kada su označeni podaci oskudni u odnosu na cijeli skup podataka.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Nigam, K., McCallum, A., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39, 103–134. DOI: 10.1023/a:1007692713085 ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/hr/machine-learning/semi-supervised-logistic-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.
- Propagacija oznakaStrojno učenje↔ compare
- Logistička regresija (ML)Strojno učenje↔ compare
- Logistička regresija sa samonadzoromStrojno učenje↔ compare
- Polunadzorirano učenjeStrojno učenje↔ compare
- Polunadzorirani Naive BayesStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →