Regresi Logistik Separa-Penyeliaan
Regresi logistik separa-penyeliaan memperluas pengelas logistik piawai dengan menggabungkan data tidak berlabel semasa latihan. Menggunakan pembungkus latihan kendiri, jangkaan-maksimum (EM), atau penyebaran label, ia secara berulang memberikan label lembut kepada contoh tidak berlabel dan memperhalusi parameter model, meningkatkan generalisasi apabila data berlabel adalah terhad berbanding set data penuh.
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
- Nigam, K., McCallum, A., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39, 103–134. DOI: 10.1023/a:1007692713085 ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Cara memetik halaman ini
ScholarGate. (2026, June 3). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/ms/machine-learning/semi-supervised-logistic-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 Logistik (ML)Pembelajaran Mesin↔ compare
- Regresi Logistik Kendiri-PenyeliaanPembelajaran Mesin↔ compare
- Pembelajaran Separa SeliaPembelajaran Mesin↔ compare
- Naive Bayes Separuh-SeliaPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →