Semi-övervakad Boosting
Semi-supervised Boosting är ett ensembleinlärningsparadigm som utvidgar klassiska boostingalgoritmer – såsom AdaBoost – för att utnyttja både märkt och omärkt data. Genom att propagera labelinformation genom en likhetsstruktur över omärkta instanser, tränar den starkare klassificerare än enbart övervakad boosting när märkt data är knapp.
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
- Mallapragada, P. K., Jin, R., Jain, A. K., & Liu, Y. (2009). SemiBoost: Boosting for Semi-supervised Learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 31(11), 2000–2014. DOI: 10.1109/TPAMI.2008.235 ↗
- Bennett, K. P., & Demiriz, A. (1999). Semi-supervised Support Vector Machines. Advances in Neural Information Processing Systems (NIPS), 11, 368–374. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Boosting (Boosting with Unlabeled Data). ScholarGate. https://scholargate.app/sv/machine-learning/semi-supervised-boosting
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.
- AdaBoostMaskininlärning↔ compare
- Gradient BoostingMaskininlärning↔ compare
- EtikettpropageringMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →