Iesauktā daudzpakāpju apmācība (Semi-supervised Bagging)
Iesauktā daudzpakāpju apmācība paplašina klasisko iesaukto (bagging) ansambli situācijās, kurā marķētu apmācības piemēru ir maz, bet ir pieejams liels daudzums nemarkētu datu. Bāzes apguvēji, kas apmācīti uz marķētiem datiem, piešķir pseidomarķējumus nemarkētiem piemēriem; tad paplašinātais datu kopums tiek izmantots, lai izveidotu daudzveidīgu ansambli, kura kopīgā balsošana ir precīzāka un stabilāka nekā jebkuram atsevišķam modelim, kas apmācīts tikai uz ierobežota marķētā kopuma.
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
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised support vector machines. Advances in Neural Information Processing Systems, 11. MIT Press. link ↗
- Li, M., & Zhou, Z.-H. (2005). SETRED: Self-training with editing. In Proceedings of the 9th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD), LNAI 3518, pp. 611–621. Springer. DOI: 10.1007/11430919_71 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Bagging (Bootstrap Aggregating with Unlabeled Data). ScholarGate. https://scholargate.app/lv/machine-learning/semi-supervised-bagging
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.
- Gradient BoostingMašīnmācīšanās↔ compare
- Iezīmju izplatīšanaMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →