Ensemble Semi-supervised Learning
Ensemble semi-supervised learning kombinerar flera basinlärningsmodeller med semi-övervakade paradigm, och utnyttjar både en liten mängd märkt data och en stor mängd omärkt data. Genom att låta olika klassificerare lära av varandra via pseudo-märkning eller co-training, förbättrar ensemblemodellerna generaliseringen långt utöver vad någon enskild metod ensam skulle kunna uppnå med begränsade etiketter.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Ensemble Semi-supervised Learning (Combining Ensemble Methods with Semi-supervised Paradigms). ScholarGate. https://scholargate.app/sv/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)Maskininlärning↔ compare
- BoostingMaskininlärning↔ compare
- Självövervakad inlärningMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
- RöstningsensembleMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →