Ievads puspārraudzītā metrikas apguvē
Puspārraudzītā metrikas apguve apgūst uzdevumam pielāgotu attāluma funkciju, apvienojot nelielu skaitu iezīmētu pāru ierobežojumu — obligāti saistītu un nevar saistīt pārus — ar daudz lielāka neiezīmētu datu kopuma ģeometrisko struktūru. Rezultāts ir Mahalanobis tipa vai kodola bāzēts attālums, kas atspoguļo gan uzraudzību, gan datu topoloģiju, uzlabojot turpmākus uzdevumus, piemēram, tuvākā kaimiņa klasifikāciju un klasterizāciju.
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
- Yeung, D.-Y., & Chang, H. (2007). A kernel approach for semi-supervised metric learning. IEEE Transactions on Neural Networks, 18(1), 141–149. DOI: 10.1109/TNN.2006.883723 ↗
- Davis, J. V., & Dhillon, I. S. (2008). Structured metric learning for high dimensional problems. Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 195–203. DOI: 10.1145/1401890.1401918 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/lv/machine-learning/semi-supervised-metric-learning
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.
- Mācīšanās ar maziem paraugu skaituMašīnmācīšanās↔ compare
- Metriskā apguveMašīnmācīšanās↔ compare
- Pašuzraudzības apmācībaMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →