Árvore de Decisão Semi-supervisionada
Uma Árvore de Decisão Semi-supervisionada estende a indução de árvores de decisão padrão — como CART ou C4.5 — para explorar observações não rotuladas em conjunto com o conjunto de treinamento rotulado. Ao atribuir iterativamente rótulos provisórios a dados não rotulados e incorporá-los ao processo de crescimento ou divisão, o algoritmo pode alcançar melhor precisão do que uma árvore totalmente supervisionada treinada apenas no subconjunto rotulado, o que é especialmente valioso quando a rotulagem é cara ou demorada.
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
- Levin, E. & Shapiro, E. (2000). Learning Decision Trees from Semi-labeled Examples. Proceedings of the ICML Workshop on Attribute-Value and Relational Learning. link ↗
- Zhu, X. & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-598-29548-9
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Decision Tree Learning. ScholarGate. https://scholargate.app/pt/machine-learning/semi-supervised-decision-tree
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.
- Árvore de DecisãoAprendizado de máquina↔ compare
- Gradient BoostingAprendizado de máquina↔ compare
- Propagação de RótulosAprendizado de máquina↔ compare
- Random ForestAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →