Uczące się zespoły w uczeniu ze wsparciem częściowym
Uczące się zespoły w uczeniu ze wsparciem częściowym łączą wiele uczących się bazowych z paradygmatem uczenia ze wsparciem częściowym, wykorzystując zarówno mały zbiór danych oznakowanych, jak i dużą pulę danych nieoznakowanych. Pozwalając różnorodnym klasyfikatorom uczyć się nawzajem poprzez pseudo-etykietowanie lub współuczenie, zespół poprawia generalizację daleko poza to, co każde podejście samo mogłoby osiągnąć przy ograniczonej liczbie etykiet.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Ensemble Semi-supervised Learning (Combining Ensemble Methods with Semi-supervised Paradigms). ScholarGate. https://scholargate.app/pl/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 (agregacja bootstrapowa)Uczenie maszynowe↔ compare
- WzmocnienieUczenie maszynowe↔ compare
- Uczenie samo nadzorowaneUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
- Ensemble głosującyUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →