Semi-supervised Random Forest
Semi-supervised Random Forest (SSL-RF) mengembangkan Random Forest klasik dengan memanfaatkan contoh latihan berlabel dan tidak berlabel. Apabila pelabelan data mahal atau memakan masa, SSL-RF memberikan label pseudo tentatif kepada pemerhatian tidak berlabel melalui hutan itu sendiri, kemudian melatih semula pada set data yang diperkaya, secara progresif meningkatkan ketepatan tanpa memerlukan anotasi manusia tambahan.
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
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/ms/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.
- Peningkatan CerunPembelajaran Mesin↔ compare
- Label PropagationPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →