Полу-надгледана случајна шума
Полу-надгледана случајна шума (SSL-RF) проширује класичну случајну шуму искоришћавањем обе означене и неозначене тренинг примере. Када је означавање података скупо или дуготрајно, SSL-RF додељује привремене псеудо-ознаке неозначеним посматрањима кроз саму шуму, затим се поново тренира на обогаћеном скупу података, прогресивно побољшавајући тачност без потребе за додатном људском анотацијом.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/sr/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.
- Градијентно појачањеMašinsko učenje↔ compare
- Propagacija oznakaMašinsko učenje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →