Albero decisionale semi-supervisionato
Un albero decisionale semi-supervisionato estende l'induzione standard degli alberi decisionali — come CART o C4.5 — per sfruttare osservazioni non etichettate accanto al set di addestramento etichettato. Assegnando iterativamente etichette provvisorie ai dati non etichettati e incorporandoli nel processo di crescita o divisione, l'algoritmo può raggiungere una maggiore accuratezza rispetto a un albero completamente supervisionato addestrato solo sul sottoinsieme etichettato, il che è particolarmente prezioso quando l'etichettatura è costosa o richiede tempo.
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
- Levin, E. & Shapiro, E. (2000). Learning Decision Trees from Semi-labeled Examples. Proceedings of the ICML Workshop on Attribute-Value and Relational Learning. link ↗
- Zhu, X. & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-598-29548-9
Come citare questa pagina
ScholarGate. (2026, June 3). Semi-supervised Decision Tree Learning. ScholarGate. https://scholargate.app/it/machine-learning/semi-supervised-decision-tree
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.
- Albero decisionaleApprendimento automatico↔ compare
- Gradient BoostingApprendimento automatico↔ compare
- Label PropagationApprendimento automatico↔ compare
- Random ForestApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →