Geregulariseerd semi-supervised leren
Geregulariseerd semi-supervised leren voegt expliciete geometrische of graafgebaseerde straftermen toe aan een semi-supervised objectieffunctie, zodat de beslissingsfunctie vloeiend varieert over de datamanifold. Dit, geïntroduceerd via manifold regularisatie (Belkin, Niyogi & Sindhwani, 2006), exploiteert de structuur van zowel gelabelde als ongelabelde voorbeelden om nauwkeurigere modellen te leren dan uitsluitend supervised regularisatie, vooral wanneer gelabelde data schaars zijn.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Deze pagina citeren
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/nl/machine-learning/regularized-semi-supervised-learning
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.
- Gaussiaans ProcesMachine learning↔ compare
- Label PropagationMachine learning↔ compare
- Geregulariseerde logistische regressieMachine learning↔ compare
- Geregulariseerd Random ForestMachine learning↔ compare
- Zelf-gesuperviseerd LerenMachine learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →