Regularizēta pusuzraudzīta apmācība
Regularizēta pusuzraudzīta apmācība pievieno skaidrus ģeometriskus vai uz grafiem balstītus soda termiņus pusuzraudzītam mērķim, lai lēmuma funkcija vienmērīgi mainītos datu daudzveidībā. Aizsākta ar daudzveidības regularizāciju (Belkin, Niyogi & Sindhwani, 2006), tā izmanto gan marķētu, gan nemarķētu piemēru struktūru, lai apgūtu precīzākus modeļus nekā tikai uzraudzīta regularizācija, ja marķēti dati ir reti.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Kā citēt šo lapu
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/lv/machine-learning/regularized-semi-supervised-learning
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.
- Gausa processMašīnmācīšanās↔ compare
- Iezīmju izplatīšanaMašīnmācīšanās↔ compare
- Regularizētā loģistikā regresijaMašīnmācīšanās↔ compare
- Regulārizēts nejaušais mežsMašīnmācīšanās↔ compare
- Pašuzraudzības apmācībaMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →