Semi-supervised Bagging

Semi-supervised Bagging memperluas ensemble bagging klasik ke pengaturan di mana contoh pelatihan berlabel langka tetapi tersedia data tak berlabel dalam jumlah besar. Pembelajar dasar yang dilatih pada data berlabel menetapkan label semu (pseudo-label) untuk contoh tak berlabel; kumpulan data yang diperluas kemudian digunakan untuk menumbuhkan ensemble yang beragam yang suara agregatnya lebih akurat dan lebih stabil daripada model tunggal mana pun yang dilatih hanya pada set berlabel yang terbatas.