Semi-supervised Stacking Ensemble

Semi-supervised Stacking Ensemble memperluas kerangka kerja klasik stacked generalization ke pengaturan di mana hanya sebagian dari contoh pelatihan yang memiliki label. Pembelajar dasar pertama-tama dilatih pada data berlabel, kemudian digunakan untuk menetapkan label semu (pseudo-labels) ke contoh yang tidak berlabel; kumpulan data yang diperluas melatih model dasar yang lebih kuat yang prediksi di luar lipatan (out-of-fold predictions) membentuk masukan ke meta-learner, menghasilkan ensemble dua tingkat yang memanfaatkan struktur berlabel dan tidak berlabel.