Samouczenie z wykorzystaniem lasów losowych
Samouczenie z wykorzystaniem lasów losowych (SSL-RF) rozszerza klasyczny las losowy na zastosowania, gdzie oznakowane przykłady są rzadkie. Las jest najpierw trenowany przy użyciu automatycznie generowanych fałszywych etykiet pochodzących z zadania przygotowawczego opartego na samouczeniu — takiego jak przewidywanie transformacji danych lub zamaskowanych cech — a następnie udoskonalany na dostępnych prawdziwych etykietach, łącząc efektywność etykietowania uczenia samonadzorowanego z solidnością zespołów drzew.
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
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/pl/machine-learning/self-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.
- Drzewo decyzyjneUczenie maszynowe↔ compare
- Propagacja etykietUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
- Uczenie samo nadzorowaneUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →