Félfelügyelt Boosting
A félfelügyelt Boosting egy ensemble tanulási paradigma, amely a klasszikus boosting algoritmusokat – mint például az AdaBoost – kiterjeszti mind címkézett, mind címkézetlen adatok hasznosítására. A címkeinformáció propagálásával egy hasonlósági struktúrán keresztül a címkézetlen példányokon keresztül erősebb osztályozókat képez, mint a pusztán felügyelt boosting, amikor a címkézett adatok szűkösek.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Mallapragada, P. K., Jin, R., Jain, A. K., & Liu, Y. (2009). SemiBoost: Boosting for Semi-supervised Learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 31(11), 2000–2014. DOI: 10.1109/TPAMI.2008.235 ↗
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised Support Vector Machines. Advances in Neural Information Processing Systems (NIPS), 11, 368–374. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Semi-supervised Boosting (Boosting with Unlabeled Data). ScholarGate. https://scholargate.app/hu/machine-learning/semi-supervised-boosting
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.
- AdaBoostGépi tanulás↔ compare
- Gradient BoostingGépi tanulás↔ compare
- CímkepropagációGépi tanulás↔ compare
- Félfelügyelt tanulásGépi tanulás↔ compare
- XGBoostGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →