Bagging Separa-Seliaan
Bagging Separa-Seliaan memperluas ensemble bagging klasik kepada tetapan di mana contoh latihan berlabel adalah terhad tetapi sejumlah besar data tidak berlabel tersedia. Pembelajar asas yang dilatih pada data berlabel memberikan label pseudo kepada contoh tidak berlabel; set data yang diperluas kemudian digunakan untuk mengembangkan ensemble yang pelbagai yang undian agregatnya lebih tepat dan lebih stabil daripada mana-mana model tunggal yang dilatih pada set berlabel terhad sahaja.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised support vector machines. Advances in Neural Information Processing Systems, 11. MIT Press. link ↗
- Li, M., & Zhou, Z.-H. (2005). SETRED: Self-training with editing. In Proceedings of the 9th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD), LNAI 3518, pp. 611–621. Springer. DOI: 10.1007/11430919_71 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Semi-supervised Bagging (Bootstrap Aggregating with Unlabeled Data). ScholarGate. https://scholargate.app/ms/machine-learning/semi-supervised-bagging
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.
- Peningkatan CerunPembelajaran Mesin↔ compare
- Label PropagationPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
- Pembelajaran Separa SeliaPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →