Semi-gesuperviseerde Logistische Regressie
Semi-gesuperviseerde logistische regressie breidt de standaard logistische classificator uit door ongelabelde gegevens tijdens de training te incorporeren. Met behulp van self-training, expectation-maximization of label-propagation wrappers, wijst het iteratief zachte labels toe aan ongelabelde voorbeelden en verfijnt het modelparameters, waardoor de generalisatie verbetert wanneer gelabelde gegevens schaars zijn ten opzichte van de volledige dataset.
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
- Nigam, K., McCallum, A., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39, 103–134. DOI: 10.1023/a:1007692713085 ↗
- 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). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/nl/machine-learning/semi-supervised-logistic-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
- Logistische regressie (ML)Machine learning↔ compare
- Zelf-gesuperviseerde Logistische RegressieMachine learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
- Semi-supervised Naive BayesMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →