Metodes pierādījumu reģistrs
Semi-supervised Logistic Regression
Semi-supervised logistic regression extends the standard logistic classifier by incorporating unlabeled data during training. Using self-training, expectation-maximization, or label-propagation wrappers, it iteratively assigns soft labels to unlabeled examples and refines model parameters, improving generalization when labeled data are scarce relative to the full dataset.
Avota reģistrs
Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.
Semi-supervised Logistic Regression (Self-training and EM-based variants)
Taksonomiskās metodes reģistrs · ml-model / machine-learning
- 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
Kurēti apgalvojumi
Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.
Vēl nav kurētu apgalvojumu
Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.
Saistītās metodes
Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.