Regularizované semi-supervizované učenie
Regularizované semi-supervizované učenie pridáva explicitné geometrické alebo grafové penalizačné členy k semi-supervizovanému cieľu tak, aby rozhodovacia funkcia plynulo menila hodnoty v priestore dátového varietného podpriestoru. Tento prístup, ktorý iniciovala regularizácia varietného podpriestoru (Belkin, Niyogi & Sindhwani, 2006), využíva štruktúru označených aj neoznačených príkladov na učenie presnejších modelov ako samotná supervizovaná regularizácia, keď sú označené dáta vzácne.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Ako citovať túto stránku
ScholarGate. (2026, June 3). Regularized Semi-Supervised Learning (Manifold Regularization and Graph-Based SSL). ScholarGate. https://scholargate.app/sk/machine-learning/regularized-semi-supervised-learning
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.
- Gaussov procesStrojové učenie↔ compare
- Propagácia štítkovStrojové učenie↔ compare
- Regularizovaná logistická regresiaStrojové učenie↔ compare
- Regularizovaný náhodný lesStrojové učenie↔ compare
- SamoučenieStrojové učenie↔ compare
- Polosupervizované učenieStrojové učenie↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →