Daļēji uzraudzīts Random Forest
Pusautomātiskais Random Forest (SSL-RF) paplašina klasisko Random Forest, izmantojot gan iezīmētus, gan neiezīmētus apmācības piemērus. Ja datu iezīmēšana ir dārga vai laikietilpīga, SSL-RF piešķir pagaidu pseidopazīmes neiezīmētiem novērojumiem, izmantojot pašu mežu, pēc tam pārmācās uz bagātināto datu kopu, pakāpeniski uzlabojot precizitāti, neprasot papildu cilvēka anotāciju.
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
- Leistner, C., Saffari, A., Santner, J., & Bischof, H. (2009). Semi-supervised random forests. In Proceedings of the IEEE 12th International Conference on Computer Vision (ICCV), pp. 506–513. IEEE. DOI: 10.1109/ICCV.2009.5459198 ↗
- Zhu, X. (2005). Semi-supervised learning literature survey. Computer Sciences Technical Report 1530, University of Wisconsin-Madison. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/lv/machine-learning/semi-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.
- Gradient BoostingMašīnmācīšanās↔ compare
- Iezīmju izplatīšanaMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →