Самообучающийся случайный лес
Самообучающийся случайный лес (SSL-RF) расширяет классический случайный лес для сценариев с дефицитом размеченных примеров. Лес сначала обучается с использованием автоматически генерируемых псевдометок, полученных из предварительной задачи самообучения — такой как предсказание преобразований данных или маскированных признаков — а затем дообучается на имеющихся истинных метках, сочетая эффективность самообучения в отношении меток с робастностью ансамблевых деревьев.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/ru/machine-learning/self-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.
- Дерево решенийМашинное обучение↔ compare
- Распространение метокМашинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
- Самообучение с учителемМашинное обучение↔ compare
- Обучение с частичной разметкойМашинное обучение↔ compare
- XGBoostМашинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →