Balsojošs ansamblis ar daļēji uzraudzītu apmācību
Daļēji uzraudzīts balsojošs ansamblis apmāca vairākus klasifikatorus uz neliela marķēta kopuma, pēc tam iteratīvi izmanto nemarkētos datus, liekot klasifikatoriem marķēt piemērus, par kuriem tie vienojas, paplašinot apmācības kopumu, līdz visi klasifikatori kopīgi balso par testēšanas piemēriem. Tas apvieno daļēji uzraudzītās mācīšanās efektivitāti attiecībā uz marķējumu ar vairākuma balsojuma ansambļu variācijas samazināšanu, padarot to vērtīgu, ja anotācija ir dārga.
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
- Zhou, Z.-H., & Li, M. (2005). Tri-training: Exploiting unlabeled data using three classifiers. IEEE Transactions on Knowledge and Data Engineering, 17(11), 1529–1541. DOI: 10.1109/TKDE.2005.186 ↗
- Blum, A., & Mitchell, T. (1998). Combining labeled and unlabeled data with co-training. Proceedings of the 11th Annual Conference on Computational Learning Theory (COLT), 92–100. DOI: 10.1145/279943.279962 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Voting Ensemble (Agreement-based Multi-classifier with Unlabeled Data). ScholarGate. https://scholargate.app/lv/machine-learning/semi-supervised-voting-ensemble
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.
- PastiprināšanaMašīnmācīšanās↔ compare
- Pašuzraudzības apmācībaMašīnmācīšanās↔ compare
- Iesauktā daudzpakāpju apmācība (Semi-supervised Bagging)Mašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Balsošanas ansamblisMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →