Pašuzraudzības kārtībā apmācīts Random Forest
Pašuzraudzības kārtībā apmācīts Random Forest (SSL-RF) paplašina klasisko Random Forest gadījumiem, kur marķētu piemēru ir maz. Mežs vispirms tiek apmācīts, izmantojot automātiski ģenerētus pseidopaziņojumus, kas iegūti no pašuzraudzības uzdevuma — piemēram, datu transformāciju vai maskēto iezīmju prognozēšanas —, un pēc tam tiek pilnveidots, izmantojot pieejamās patiesās atzīmes, apvienojot pašuzraudzības mācīšanās efektivitāti ar ansambļu koku robustumu.
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
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/lv/machine-learning/self-supervised-random-forest
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.
- Koku lēmumu pieņemšana (Decision Tree)Mašīnmācīšanās↔ compare
- Iezīmju izplatīšanaMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- Pašuzraudzības apmācībaMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →