Semi-supervised Bagging
Semi-supervised Bagging utvider den klassiske bagging-ensemblemetoden til situasjoner der merkede treningseksempler er knappe, men store mengder umerkede data er tilgjengelige. Grunnleggende læringsmodeller trent på merkede data tildeler pseudo-etiketter til umerkede eksempler; det utvidede datasettet brukes deretter til å bygge et mangfoldig ensemble hvis aggregerte stemme er mer nøyaktig og mer stabilt enn en enkelt modell trent på det begrensede merkede datasettet alene.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Metodekart
Nabolaget av beslektede metoder — velg en node for å utforske.
Kilder
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised support vector machines. Advances in Neural Information Processing Systems, 11. MIT Press. link ↗
- Li, M., & Zhou, Z.-H. (2005). SETRED: Self-training with editing. In Proceedings of the 9th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD), LNAI 3518, pp. 611–621. Springer. DOI: 10.1007/11430919_71 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Semi-supervised Bagging (Bootstrap Aggregating with Unlabeled Data). ScholarGate. https://scholargate.app/no/machine-learning/semi-supervised-bagging
Hvilken metode?
Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.
- Gradient BoostingMaskinlæring↔ sammenlign
- Label PropagationMaskinlæring↔ sammenlign
- Random ForestMaskinlæring↔ sammenlign
- Semiveiledet læringMaskinlæring↔ sammenlign
Referert av
Similar methods
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →