Regressão Logística Semissupervisionada
A regressão logística semissupervisionada estende o classificador logístico padrão incorporando dados não rotulados durante o treinamento. Utilizando invólucros de auto-treinamento (self-training), expectativa-maximização (EM) ou propagação de rótulos (label propagation), ela atribui iterativamente rótulos suaves a exemplos não rotulados e refina os parâmetros do modelo, melhorando a generalização quando os dados rotulados são escassos em relação ao conjunto de dados completo.
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
- Nigam, K., McCallum, A., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39, 103–134. DOI: 10.1023/a:1007692713085 ↗
- 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). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/pt/machine-learning/semi-supervised-logistic-regression
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.
- Propagação de RótulosAprendizado de máquina↔ compare
- Regressão Logística (ML)Aprendizado de máquina↔ compare
- Regressão Logística AutossupervisionadaAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
- Naive Bayes Semi-supervisionadoAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →