Semi-supervised Voting Ensemble
Sebuah ensemble voting semi-terawasi melatih beberapa pengklasifikasi pada sekumpulan kecil data berlabel, kemudian secara iteratif memanfaatkan data tak berlabel dengan meminta para pengklasifikasi memberi label pada contoh-contoh yang mereka sepakati, memperluas kumpulan pelatihan hingga semua pengklasifikasi memberikan suara bersama pada contoh uji. Metode ini menggabungkan efisiensi label dari pembelajaran semi-terawasi dengan pengurangan varians dari ensemble voting mayoritas, menjadikannya berharga ketika anotasi mahal.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Zhou, Z.-H., & Li, M. (2005). Tri-training: Exploiting unlabeled data using three classifiers. IEEE Transactions on Knowledge and Data Engineering, 17(11), 1529–1541. DOI: 10.1109/TKDE.2005.186 ↗
- Blum, A., & Mitchell, T. (1998). Combining labeled and unlabeled data with co-training. Proceedings of the 11th Annual Conference on Computational Learning Theory (COLT), 92–100. DOI: 10.1145/279943.279962 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Semi-supervised Voting Ensemble (Agreement-based Multi-classifier with Unlabeled Data). ScholarGate. https://scholargate.app/id/machine-learning/semi-supervised-voting-ensemble
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.
- BoostingPembelajaran Mesin↔ compare
- Pembelajaran Mandiri TerawasiPembelajaran Mesin↔ compare
- Semi-supervised BaggingPembelajaran Mesin↔ compare
- Pembelajaran Semi-terawasiPembelajaran Mesin↔ compare
- Voting EnsemblePembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →