Логистическая регрессия с частичной разметкой
Логистическая регрессия с полуавтоматическим обучением расширяет стандартный логистический классификатор за счет включения неразмеченных данных в процессе обучения. Используя обертки на основе самообучения (self-training), ожидания-максимизации (expectation-maximization) или распространения меток (label-propagation), она итеративно присваивает нечеткие метки неразмеченным примерам и уточняет параметры модели, улучшая обобщающую способность, когда размеченных данных недостаточно по сравнению с полным набором данных.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/ru/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.
- Распространение метокМашинное обучение↔ compare
- Логистическая регрессия (МО)Машинное обучение↔ compare
- Логистическая регрессия при самообученииМашинное обучение↔ compare
- Обучение с частичной разметкойМашинное обучение↔ compare
- Полусупервизорный наивный байесовский классификаторМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →