Apprendimento Semi-Supervisionato d'Insieme
L'apprendimento semi-supervisionato d'insieme (Ensemble Semi-supervised Learning) combina più "learner" di base con il paradigma semi-supervisionato, sfruttando sia un piccolo insieme etichettato sia un ampio pool di dati non etichettati. Permettendo a diversi classificatori di "insegnarsi" a vicenda tramite pseudo-etichettatura o co-training, l'insieme migliora la generalizzazione ben oltre ciò che ciascun approccio da solo potrebbe ottenere con etichette limitate.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 1998), pp. 92–100. ACM. DOI: 10.1145/279943.279962 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Ensemble Semi-supervised Learning (Combining Ensemble Methods with Semi-supervised Paradigms). ScholarGate. https://scholargate.app/it/machine-learning/ensemble-semi-supervised-learning
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.
- Bagging (Bootstrap Aggregating)Apprendimento automatico↔ compare
- BoostingApprendimento automatico↔ compare
- Apprendimento AutocontrollatoApprendimento automatico↔ compare
- Apprendimento semi-supervisionatoApprendimento automatico↔ compare
- Apprendimento per trasferimentoApprendimento automatico↔ compare
- Ensemble a votazioneApprendimento automatico↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →