Daļēji uzraudzīta pastiprināšana
Pusgadīgi pastiprināšana ir ansambļa mācīšanās paradigma, kas paplašina klasiskos pastiprināšanas algoritmus — piemēram, AdaBoost — lai izmantotu gan marķētus, gan nemarķētus datus. Izplatot marķējuma informāciju caur līdzības struktūru pār nemarķētiem gadījumiem, tā apmāca spēcīgākus klasifikatorus nekā tikai uzraudzīta pastiprināšana, kad marķēto datu ir maz.
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
- Mallapragada, P. K., Jin, R., Jain, A. K., & Liu, Y. (2009). SemiBoost: Boosting for Semi-supervised Learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 31(11), 2000–2014. DOI: 10.1109/TPAMI.2008.235 ↗
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised Support Vector Machines. Advances in Neural Information Processing Systems (NIPS), 11, 368–374. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Boosting (Boosting with Unlabeled Data). ScholarGate. https://scholargate.app/lv/machine-learning/semi-supervised-boosting
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.
- AdaBoostMašīnmācīšanās↔ compare
- Gradient BoostingMašīnmācīšanās↔ compare
- Iezīmju izplatīšanaMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →