Polunadzorirano učenje metrike
Polunadzorirano učenje metrike uči prilagođenu zadatku funkcijsku udaljenost kombiniranjem malog skupa označenih parnih ograničenja — parovi 'mora-biti-povezano' (must-link) i 'ne-može-biti-povezano' (cannot-link) — s geometrijskom strukturom znatno veće skupine neoznačenih podataka. Rezultat je udaljenost Mahalanobisova stila ili udaljenost temeljena na kernelu koja odražava i nadzor i topologiju podataka, poboljšavajući nizvodne zadatke poput klasifikacije najbližeg susjeda i klasteriranja.
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
- Yeung, D.-Y., & Chang, H. (2007). A kernel approach for semi-supervised metric learning. IEEE Transactions on Neural Networks, 18(1), 141–149. DOI: 10.1109/TNN.2006.883723 ↗
- Davis, J. V., & Dhillon, I. S. (2008). Structured metric learning for high dimensional problems. Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 195–203. DOI: 10.1145/1401890.1401918 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/hr/machine-learning/semi-supervised-metric-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.
- Učenje s malo primjeraStrojno učenje↔ compare
- Učenje metrikeStrojno učenje↔ compare
- Samonadzirano učenjeStrojno učenje↔ compare
- Polunadzorirano učenjeStrojno učenje↔ compare
- Prijenosno učenjeStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →