Samo-nadgledane nasumične šumske
Samostalna šumska stabla (SSL-RF) proširuju klasična šumska stabla na postavke gde su označeni primeri retki. Šuma se prvo obučava koristeći automatski generisane pseudo-oznake izvedene iz pretka zadatka samostalnog nadgledanja — kao što je predviđanje transformacija podataka ili maskiranih karakteristika — a zatim se usavršava na svim dostupnim pravim oznakama, spajajući efikasnost oznaka samostalnog nadgledanja sa robusnošću ansambl stabala.
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
- Lefortier, D., Chitta, K., & Agrawal, P. (2022). Self-supervised random forests. arXiv:2204.01430. link ↗
- Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision, 7(2–3), 81–227. DOI: 10.1561/0600000035 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Self-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/sr/machine-learning/self-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.
- Дрво одлучивањаMašinsko učenje↔ compare
- Propagacija oznakaMašinsko učenje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- Samostalno učenjeMašinsko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →