Semi-supervised Voting Ensemble
A semi-supervised voting ensemble trains multiple classifiers on a small labeled set, then iteratively exploits unlabeled data by having the classifiers label examples they agree on, expanding the training pool until all classifiers vote jointly on test examples. It combines the label-efficiency of semi-supervised learning with the variance-reduction of majority-vote ensembles, making it valuable when annotation is costly.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- 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), 92–100. · DOI 10.1145/279943.279962
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.