Random Forest Semi-supervisionado
Random Forest Semi-supervisionado (SSL-RF) estende o Random Forest clássico explorando exemplos de treinamento rotulados e não rotulados. Quando a rotulagem de dados é cara ou demorada, o SSL-RF atribui pseudo-rótulos provisórios a observações não rotuladas através da própria floresta, e então retreina no conjunto de dados enriquecido, melhorando progressivamente a acurácia sem exigir anotação humana adicional.
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
- Leistner, C., Saffari, A., Santner, J., & Bischof, H. (2009). Semi-supervised random forests. In Proceedings of the IEEE 12th International Conference on Computer Vision (ICCV), pp. 506–513. IEEE. DOI: 10.1109/ICCV.2009.5459198 ↗
- Zhu, X. (2005). Semi-supervised learning literature survey. Computer Sciences Technical Report 1530, University of Wisconsin-Madison. link ↗
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/pt/machine-learning/semi-supervised-random-forest
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
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →