Apprendimento regolare semi-supervisionato
L'apprendimento regolare semi-supervisionato aggiunge termini di penalità espliciti di tipo geometrico o basato su grafi a un obiettivo semi-supervisionato, in modo che la funzione di decisione vari in modo fluido sulla varietà dei dati. Inaugurato dalla regolarizzazione della varietà (manifold regularization) (Belkin, Niyogi & Sindhwani, 2006), sfrutta la struttura di esempi sia etichettati che non etichettati per apprendere modelli più accurati rispetto alla sola regolarizzazione supervisionata quando i dati etichettati sono scarsi.
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
- Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Come citare questa pagina
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/it/machine-learning/regularized-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.
- Processo GaussianoApprendimento automatico↔ compare
- Label PropagationApprendimento automatico↔ compare
- Regressione logistica regolarizzataApprendimento automatico↔ compare
- Random Forest RegolarizzatoApprendimento automatico↔ compare
- Apprendimento AutocontrollatoApprendimento automatico↔ compare
- Apprendimento semi-supervisionatoApprendimento automatico↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →