Regresi Linear Separa-Selia
Regresi linear separa-selia menyesuaikan model linear pada set data berlabel kecil dan kemudian memanfaatkan kumpulan pemerhatian tanpa label yang lebih besar untuk menambah baik anggaran pekali dan generalisasi. Dengan menjana label palsu untuk titik tanpa label dan memperhalus model secara berulang, ia mencapai ketepatan ramalan yang lebih baik berbanding model linear yang diajar secara penyeliaan semata-mata yang diajar hanya pada label yang terhad.
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
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
- Zhou, Z.-H., & Li, M. (2005). Semi-supervised regression with co-training. Proceedings of the 19th International Joint Conference on Artificial Intelligence (IJCAI), 908–913. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Semi-supervised Linear Regression (Linear Model with Labeled and Unlabeled Data). ScholarGate. https://scholargate.app/ms/machine-learning/semi-supervised-linear-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.
- Label PropagationPembelajaran Mesin↔ compare
- Regresi Linear (ML)Pembelajaran Mesin↔ compare
- Regresi Linear TerregularisasiPembelajaran Mesin↔ compare
- Pembelajaran Separa SeliaPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →