Semi-supervised Random Forest
Semi-supervised Random Forest (SSL-RF) utvider den klassiske Random Forest ved å utnytte både merkede og umerkede treningsdata. Når merking av data er dyrt eller tidkrevende, tildeler SSL-RF tentative pseudo-etiketter til umerkede observasjoner gjennom selve skogen, og trener deretter på det berikede datasettet, og forbedrer gradvis nøyaktigheten uten å kreve ytterligere menneskelig annotering.
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
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/no/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 BoostingMaskinlæring↔ compare
- Label PropagationMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →