Semi-supervised Decision Tree
Een semi-supervised decision tree breidt de standaard inductie van beslissingsbomen – zoals CART of C4.5 – uit om ongelabelde observaties te benutten naast de gelabelde trainingsset. Door iteratief voorlopige labels toe te wijzen aan ongelabelde data en deze op te nemen in het groei- of splitsingsproces, kan het algoritme een betere nauwkeurigheid bereiken dan een volledig supervised boom die alleen is getraind op de gelabelde subset, wat vooral waardevol is wanneer labeling duur of tijdrovend is.
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
- Levin, E. & Shapiro, E. (2000). Learning Decision Trees from Semi-labeled Examples. Proceedings of the ICML Workshop on Attribute-Value and Relational Learning. link ↗
- Zhu, X. & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-598-29548-9
Deze pagina citeren
ScholarGate. (2026, June 3). Semi-supervised Decision Tree Learning. ScholarGate. https://scholargate.app/nl/machine-learning/semi-supervised-decision-tree
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
- Gradient BoostingMachine learning↔ compare
- Label PropagationMachine learning↔ compare
- Random ForestMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →