Semi-gesuperviseerde Lineaire Regressie
Semi-gesuperviseerde lineaire regressie past een lineair model toe op een kleine gelabelde dataset en maakt vervolgens gebruik van een grotere pool van ongelabelde observaties om de coëfficiëntschattingen en generalisatie te verbeteren. Door pseudo-labels te genereren voor ongelabelde punten en het model iteratief te verfijnen, wordt een betere voorspellende nauwkeurigheid bereikt dan met een puur gesuperviseerd lineair model dat alleen op schaarse labels is getraind.
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
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
- Zhou, Z.-H., & Li, M. (2005). Semi-supervised regression with co-training. Proceedings of the 19th International Joint Conference on Artificial Intelligence (IJCAI), 908–913. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Semi-supervised Linear Regression (Linear Model with Labeled and Unlabeled Data). ScholarGate. https://scholargate.app/nl/machine-learning/semi-supervised-linear-regression
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.
- Label PropagationMachine learning↔ compare
- Lineaire regressie (ML)Machine learning↔ compare
- Geregulariseerde Lineaire RegressieMachine learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →