Machine learningMachine learning
준지도 학습 로지스틱 회귀
준지도 학습 로지스틱 회귀는 훈련 과정에서 레이블이 없는 데이터를 통합하여 표준 로지스틱 분류기를 확장합니다. 자가 훈련(self-training), 기댓값 최대화(expectation-maximization), 또는 레이블 전파(label-propagation) 래퍼(wrapper)를 사용하여, 레이블이 없는 예제에 소프트 레이블을 반복적으로 할당하고 모델 매개변수를 정제함으로써, 전체 데이터셋에 비해 레이블이 있는 데이터가 부족할 때 일반화 성능을 향상시킵니다.
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
- Nigam, K., McCallum, A., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39, 103–134. DOI: 10.1023/a:1007692713085 ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
이 페이지 인용 방법
ScholarGate. (2026, June 3). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/ko/machine-learning/semi-supervised-logistic-regression
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.
- 레이블 전파머신러닝↔ compare
- 로지스틱 회귀 (ML)머신러닝↔ compare
- Self-supervised Logistic Regression머신러닝↔ compare
- 준지도 학습머신러닝↔ compare
- 준지도 학습 나이브 베이즈머신러닝↔ compare