Machine learningMachine learning
준지도 학습 결정 트리
준지도 결정 트리는 CART나 C4.5와 같은 표준 결정 트리 귀납법을 확장하여 레이블이 지정된 훈련 세트와 함께 레이블이 없는 관측치를 활용합니다. 비반복적으로 레이블이 없는 데이터에 임시 레이블을 할당하고 이를 성장 또는 분할 과정에 통합함으로써, 알고리즘은 레이블이 지정된 부분 집합만으로 훈련된 완전 지도 트리보다 더 나은 정확도를 달성할 수 있으며, 이는 레이블링이 비싸거나 시간이 많이 걸릴 때 특히 유용합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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
이 페이지 인용 방법
ScholarGate. (2026, June 3). Semi-supervised Decision Tree Learning. ScholarGate. https://scholargate.app/ko/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.
Compare side by side →