Ensemble semi-supervised learning
Ensemble semi-supervised learning kombinerer flere basislæringsmodeller med det semi-veiledede paradigmet, og utnytter både et lite merket datasett og en stor mengde umerkede data. Ved å la ulike klassifikatorer lære av hverandre gjennom pseudo-merking eller co-training, forbedrer ensemblet generalisering langt utover hva hver tilnærming alene kunne oppnådd med begrensede merkelapper.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 1998), pp. 92–100. ACM. DOI: 10.1145/279943.279962 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Ensemble Semi-supervised Learning (Combining Ensemble Methods with Semi-supervised Paradigms). ScholarGate. https://scholargate.app/no/machine-learning/ensemble-semi-supervised-learning
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.
- Bagging (Bootstrap Aggregating)Maskinlæring↔ compare
- BoostingMaskinlæring↔ compare
- Selv-supervisert læringMaskinlæring↔ compare
- Semiveiledet læringMaskinlæring↔ compare
- OverføringslæringMaskinlæring↔ compare
- StemmeensembleMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →