Logistyczna regresja półnadzorowana
Logistyczna regresja półnadzorowana rozszerza standardowy klasyfikator logistyczny o wykorzystanie nieetykietowanych danych podczas treningu. Stosując techniki takie jak self-training, Expectation-Maximization (EM) lub algorytmy typu label propagation, iteracyjnie przypisuje ona niepewne etykiety do nieetykietowanych przykładów i udoskonala parametry modelu, poprawiając generalizację, gdy danych etykietowanych jest niewiele w stosunku do całego zbioru danych.
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
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/pl/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.
- Propagacja etykietUczenie maszynowe↔ compare
- Regresja logistyczna (ML)Uczenie maszynowe↔ compare
- Logistyczna regresja samo nadzorowanaUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
- Półnadzorowany naiwny klasyfikator BayesaUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →