Semi-supervised Bagging
Semi-supervised Bagging breidt de klassieke bagging-ensemble uit naar situaties waar gelabelde trainingsvoorbeelden schaars zijn, maar grote hoeveelheden ongelabelde data beschikbaar zijn. Basisleraren getraind op gelabelde data wijzen pseudo-labels toe aan ongelabelde voorbeelden; de uitgebreide dataset wordt vervolgens gebruikt om een divers ensemble te laten groeien waarvan de geaggregeerde stem nauwkeuriger en stabieler is dan enig enkel model getraind op de beperkte gelabelde set alleen.
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
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised support vector machines. Advances in Neural Information Processing Systems, 11. MIT Press. link ↗
- Li, M., & Zhou, Z.-H. (2005). SETRED: Self-training with editing. In Proceedings of the 9th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD), LNAI 3518, pp. 611–621. Springer. DOI: 10.1007/11430919_71 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Semi-supervised Bagging (Bootstrap Aggregating with Unlabeled Data). ScholarGate. https://scholargate.app/nl/machine-learning/semi-supervised-bagging
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.
- Gradient BoostingMachine learning↔ compare
- Label PropagationMachine learning↔ compare
- Random ForestMachine learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →