Semi-Supervised Random Forest
Semi-Supervised Random Forest (SSL-RF) rozširuje klasický Random Forest využitím označených aj neoznačených tréningových príkladov. Keď je označovanie dát drahé alebo časovo náročné, SSL-RF priraďuje neoznačeným pozorovaniam predbežné pseudo-označenia prostredníctvom samotného lesa, potom sa pretrénuje na obohatenom datasete, čím sa postupne zlepšuje presnosť bez potreby dodatočnej ľudskej anotácie.
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
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/sk/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 BoostingStrojové učenie↔ compare
- Propagácia štítkovStrojové učenie↔ compare
- Náhodný lesStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →