Loģistikas regresija ar daļēji uzraudzītu apmācību
Loģistikas regresija ar daļēji uzraudzītu apmācību paplašina standarta loģistikas klasifikatoru, apmācības laikā iekļaujot nenosauktus datus. Izmantojot pašapmācības, EM (expectation-maximization) vai etiķešu izplatīšanas (label-propagation) apvalkus, tā iteratīvi piešķir mīkstās etiķetes nenosauktiem piemēriem un precizē modeļa parametrus, uzlabojot vispārināšanu, kad nosauktie dati ir reti salīdzinājumā ar pilno datu kopu.
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
- Nigam, K., McCallum, A., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39, 103–134. DOI: 10.1023/a:1007692713085 ↗
- 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). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/lv/machine-learning/semi-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.
- Iezīmju izplatīšanaMašīnmācīšanās↔ compare
- Logistiskā regresija (ML)Mašīnmācīšanās↔ compare
- Logistiskā regresija ar pašuzraudzībuMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Pusautomātiskā Naive BayesMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →