Semi-supervised Stacking Ensemble

Semi-supervised Stacking Ensemble melanjutkan rangka kerja pengesuaian umum (stacked generalization) klasik kepada tetapan di mana hanya sebahagian daripada contoh latihan yang mempunyai label. Pelajar asas mula-mula dilatih pada data berlabel, kemudian digunakan untuk memberikan label palsu kepada contoh tanpa label; set data yang diperluas melatih model asas yang lebih kukuh yang ramalan luar lipatan (out-of-fold predictions) membentuk input kepada meta-pembelajar, menghasilkan ensemble dua peringkat yang memanfaatkan kedua-dua struktur berlabel dan tanpa label.