Semi-supervised Stacking Ensemble

Semi-supervised Stacking Ensemble estende il classico framework di generalizzazione impilata (stacked generalization) a contesti in cui solo una frazione degli esempi di addestramento possiede etichette. I modelli base vengono inizialmente addestrati sui dati etichettati, quindi utilizzati per assegnare pseudo-etichette agli esempi non etichettati; il dataset ampliato addestra modelli base più robusti le cui predizioni out-of-fold costituiscono l'input per un meta-apprenditore (meta-learner), producendo un ensemble a due livelli che sfrutta sia la struttura dei dati etichettati sia quella dei dati non etichettati.