Aprendizado Semi-Supervisionado Regularizado
O aprendizado semi-supervisionado regularizado adiciona termos de penalidade explícitos baseados em geometria ou grafos a um objetivo semi-supervisionado, de modo que a função de decisão varie suavemente na variedade de dados. Pioneiro através da regularização de variedade (Belkin, Niyogi & Sindhwani, 2006), ele explora a estrutura de exemplos rotulados e não rotulados para aprender modelos mais precisos do que a regularização supervisionada sozinha quando os dados rotulados são escassos.
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
- Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Como citar esta página
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/pt/machine-learning/regularized-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.
- Processo GaussianoAprendizado de máquina↔ compare
- Propagação de RótulosAprendizado de máquina↔ compare
- Regressão Logística RegularizadaAprendizado de máquina↔ compare
- Random Forest RegularizadoAprendizado de máquina↔ compare
- Aprendizado AutossupervisionadoAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →