Semi-supervised Random Forest
Semi-supervised Random Forest (SSL-RF) breidt de klassieke Random Forest uit door zowel gelabelde als ongelabelde trainingsvoorbeelden te benutten. Wanneer het labelen van data duur of tijdrovend is, kent SSL-RF voorlopige pseudo-labels toe aan ongelabelde observaties via het forest zelf, en hertraint vervolgens op de verrijkte dataset, waardoor de nauwkeurigheid progressief verbetert zonder aanvullende menselijke annotatie te vereisen.
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
- Leistner, C., Saffari, A., Santner, J., & Bischof, H. (2009). Semi-supervised random forests. In Proceedings of the IEEE 12th International Conference on Computer Vision (ICCV), pp. 506–513. IEEE. DOI: 10.1109/ICCV.2009.5459198 ↗
- Zhu, X. (2005). Semi-supervised learning literature survey. Computer Sciences Technical Report 1530, University of Wisconsin-Madison. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/nl/machine-learning/semi-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.
- 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 →