Ensembličko polusupevisedno učenje
Ensembličko polusupevisedno učenje kombinuje više osnovnih učilaca sa polusupevisednom paradigmom, koristeći prednosti malog označenog skupa i velikog skupa neoznačenih podataka. Dozvoljavajući različitim klasifikatorima da uče jedni od drugih putem pseudo-označavanja ili ko-treninga, ensembli poboljšava generalizaciju daleko iznad onoga što bi svaki pristup samostalno postigao sa ograničenim oznakama.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Zhou, Z.-H., & Li, M. (2005). Tri-training: Exploiting unlabeled data using three classifiers. IEEE Transactions on Knowledge and Data Engineering, 17(11), 1529–1541. DOI: 10.1109/TKDE.2005.186 ↗
- Blum, A., & Mitchell, T. (1998). Combining labeled and unlabeled data with co-training. Proceedings of the 11th Annual Conference on Computational Learning Theory (COLT 1998), pp. 92–100. ACM. DOI: 10.1145/279943.279962 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Ensemble Semi-supervised Learning (Combining Ensemble Methods with Semi-supervised Paradigms). ScholarGate. https://scholargate.app/sr/machine-learning/ensemble-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.
- Bagging (Bootstrap Aggregating)Mašinsko učenje↔ compare
- BoostingMašinsko učenje↔ compare
- Samostalno učenjeMašinsko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
- Transferno učenjeMašinsko učenje↔ compare
- Glasački ansamblMašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →