Logistiskā regresija ar pašuzraudzību
Pašuzraudzītā logistiskā regresija ir divpakāpju metodika, kurā neironu kodētājs vispirms tiek apmācīts uz liela apjoma neapzīmētiem datiem, izmantojot pašuzraudzības uzdevumu (piemēram, kontrastīvo mācīšanos vai maskēto prognozēšanu), un pēc tam fiksētās iegūtās reprezentācijas tiek klasificētas, izmantojot standarta logistiskās regresijas modeli, kas apmācīts uz neliela apzīmēta datu kopuma. Šis lineārās novērtēšanas protokols tiek plaši izmantots, lai novērtētu pašuzraudzīto reprezentāciju kvalitāti.
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
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. Proceedings of the 37th International Conference on Machine Learning (ICML), 1597–1607. link ↗
- van Engelen, J. E., & Hoos, H. H. (2020). A survey on semi-supervised learning. Machine Learning, 109(2), 373–440. DOI: 10.1007/s10994-019-05855-6 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Self-supervised Representation Learning with Logistic Regression Classifier. ScholarGate. https://scholargate.app/lv/machine-learning/self-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.
- Logistiskā regresija (ML)Mašīnmācīšanās↔ compare
- Pašuzraudzītās lēmumu koku metodesMašīnmācīšanās↔ compare
- Pašuzraudzības apmācībaMašīnmācīšanās↔ compare
- Loģistikas regresija ar daļēji uzraudzītu apmācībuMašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →