Félfelügyelt logisztikus regresszió
A félfelügyelt logisztikus regresszió a standard logisztikus osztályozót egészíti ki címkézetlen adatok felhasználásával a képzés során. Önképzés, Expectation-Maximization vagy címke-propagációs wrapper-ek használatával iteratívan hozzárendel puha címkéket a címkézetlen példányokhoz, és finomítja a modellparamétereket, javítva az általánosítást, amikor a címkézett adatok szűkösek a teljes adathalmazhoz képest.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/hu/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.
- CímkepropagációGépi tanulás↔ compare
- Logisztikus regresszió (ML)Gépi tanulás↔ compare
- Logisztikus regresszió önfelügyelt módbanGépi tanulás↔ compare
- Félfelügyelt tanulásGépi tanulás↔ compare
- Félfelügyelt Naiv BayesGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →