Semi-gesuperviseerd stem-ensemble
Een semi-gesuperviseerd stem-ensemble traint meerdere classificatoren op een kleine gelabelde set, en benut vervolgens iteratief ongelabelde data door de classificatoren voorbeelden te laten labelen waarover zij het eens zijn, waardoor de trainingspool wordt uitgebreid totdat alle classificatoren gezamenlijk stemmen op testvoorbeelden. Het combineert de label-efficiëntie van semi-gesuperviseerd leren met de variantiereductie van meerderheidsstem-ensembles, wat het waardevol maakt wanneer annotatie kostbaar 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
- Zhou, Z.-H., & Li, M. (2005). Tri-training: Exploiting unlabeled data using three classifiers. IEEE Transactions on Knowledge and Data Engineering, 17(11), 1529–1541. DOI: 10.1109/TKDE.2005.186 ↗
- Blum, A., & Mitchell, T. (1998). Combining labeled and unlabeled data with co-training. Proceedings of the 11th Annual Conference on Computational Learning Theory (COLT), 92–100. DOI: 10.1145/279943.279962 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Semi-supervised Voting Ensemble (Agreement-based Multi-classifier with Unlabeled Data). ScholarGate. https://scholargate.app/nl/machine-learning/semi-supervised-voting-ensemble
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.
- BoostingMachine learning↔ compare
- Zelf-gesuperviseerd LerenMachine learning↔ compare
- Semi-supervised BaggingMachine learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
- Voting EnsembleMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →