Случайный лес с частичной разметкой
Полуавтоматический случайный лес (SSL-RF) расширяет классический случайный лес, используя как размеченные, так и неразмеченные обучающие примеры. Когда разметка данных является дорогостоящей или трудоемкой, SSL-RF назначает предварительные псевдо-метки неразмеченным наблюдениям с помощью самого леса, затем переобучается на обогащенном наборе данных, постепенно повышая точность без необходимости дополнительной ручной аннотации.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/ru/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.
- Градиентный бустингМашинное обучение↔ compare
- Распространение метокМашинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →