Logistisk regresjon med semi-overvåking
Semi-overvåket logistisk regresjon utvider den standard logistiske klassifikatoren ved å inkludere umerkede data under trening. Ved bruk av self-training, expectation-maximization, eller label-propagation-innpakninger, tildeler den iterativt myke merkelapper til umerkede eksempler og raffinerer modellparametere, noe som forbedrer generalisering når merkede data er knappe i forhold til hele datasettet.
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
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/no/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 PropagationMaskinlæring↔ compare
- Logistisk regresjon (ML)Maskinlæring↔ compare
- Selv-supervisert logistisk regresjonMaskinlæring↔ compare
- Semiveiledet læringMaskinlæring↔ compare
- Semi-supervised Naive BayesMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →