Bagging Semi-Supervisionato
Il Bagging Semi-Supervisionato estende il classico ensemble bagging a contesti in cui gli esempi di training etichettati sono scarsi, ma sono disponibili grandi quantità di dati non etichettati. I "base learner" addestrati su dati etichettati assegnano pseudo-etichette agli esempi non etichettati; il dataset espanso viene quindi utilizzato per far crescere un ensemble diversificato il cui voto aggregato è più accurato e più stabile di qualsiasi singolo modello addestrato solo sul set etichettato limitato.
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
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised support vector machines. Advances in Neural Information Processing Systems, 11. MIT Press. link ↗
- Li, M., & Zhou, Z.-H. (2005). SETRED: Self-training with editing. In Proceedings of the 9th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD), LNAI 3518, pp. 611–621. Springer. DOI: 10.1007/11430919_71 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Semi-supervised Bagging (Bootstrap Aggregating with Unlabeled Data). ScholarGate. https://scholargate.app/it/machine-learning/semi-supervised-bagging
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.
- Gradient BoostingApprendimento automatico↔ compare
- Label PropagationApprendimento automatico↔ compare
- Random ForestApprendimento automatico↔ compare
- Apprendimento semi-supervisionatoApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →