Półnadzorowany las losowy
Półnadzorowany las losowy (SSL-RF) rozszerza klasyczny las losowy poprzez wykorzystanie zarówno oznakowanych, jak i nieoznakowanych przykładów treningowych. Gdy etykietowanie danych jest kosztowne lub czasochłonne, SSL-RF przypisuje tymczasowe pseudopolecenia nieoznakowanym obserwacjom za pośrednictwem samego lasu, a następnie przetrenowuje na wzbogaconym zbiorze danych, stopniowo poprawiając dokładność bez konieczności dodatkowego ręcznego anotowania.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/pl/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 BoostingUczenie maszynowe↔ compare
- Propagacja etykietUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →