Bagging Semi-supervisionado
Bagging Semi-supervisionado estende o bagging clássico para cenários onde exemplos de treinamento rotulados são escassos, mas grandes quantidades de dados não rotulados estão disponíveis. Os aprendizes base treinados em dados rotulados atribuem pseudo-rótulos a exemplos não rotulados; o conjunto de dados expandido é então usado para construir um ensemble diverso cuja votação agregada é mais precisa e estável do que qualquer modelo único treinado apenas no conjunto rotulado limitado.
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
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised support vector machines. Advances in Neural Information Processing Systems, 11. MIT Press. link ↗
- Li, M., & Zhou, Z.-H. (2005). SETRED: Self-training with editing. In Proceedings of the 9th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD), LNAI 3518, pp. 611–621. Springer. DOI: 10.1007/11430919_71 ↗
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Bagging (Bootstrap Aggregating with Unlabeled Data). ScholarGate. https://scholargate.app/pt/machine-learning/semi-supervised-bagging
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 BoostingAprendizado de máquina↔ compare
- Propagação de RótulosAprendizado de máquina↔ compare
- Random ForestAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →