Zelf-gesuperviseerd Random Forest
Zelf-gesuperviseerd Random Forest (SSL-RF) breidt het klassieke random forest uit naar situaties met weinig gelabelde voorbeelden. Het forest wordt eerst getraind met automatisch gegenereerde pseudo-labels, afgeleid van een zelf-gesuperviseerde voorwendseltaak — zoals het voorspellen van datatransformaties of gemaskeerde kenmerken — en vervolgens verfijnd met de beschikbare ware labels, waarbij de label-efficiëntie van zelf-gesuperviseerd leren wordt gecombineerd met de robuustheid van ensemblebomen.
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
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/nl/machine-learning/self-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.
- BeslisboomMachine learning↔ compare
- Label PropagationMachine learning↔ compare
- Random ForestMachine learning↔ compare
- Zelf-gesuperviseerd LerenMachine learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
- XGBoostMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →