Aprendizado Semi-supervisionado por Ensemble
O aprendizado semi-supervisionado por ensemble combina múltiplos aprendizes base com o paradigma semi-supervisionado, explorando tanto um pequeno conjunto rotulado quanto um grande conjunto de dados não rotulados. Ao permitir que classificadores diversos se ensinem mutuamente através de pseudo-rotulagem ou co-treinamento, o ensemble melhora a generalização muito além do que qualquer abordagem isolada conseguiria com rótulos limitados.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Ensemble Semi-supervised Learning (Combining Ensemble Methods with Semi-supervised Paradigms). ScholarGate. https://scholargate.app/pt/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 (Bootstrap Aggregating)Aprendizado de máquina↔ compare
- BoostingAprendizado de máquina↔ compare
- Aprendizado AutossupervisionadoAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
- Aprendizagem por TransferênciaAprendizado de máquina↔ compare
- Comitê de VotaçãoAprendizado de máquina↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →