Semi-övervakad logistisk regression
Semi-övervakad logistisk regression utökar den standardiserade logistiska klassificeraren genom att inkludera oetiketterade data under träning. Genom att använda self-training, expectation-maximization eller label-propagation-omslag, tilldelar den iterativt mjuka etiketter till oetiketterade exempel och förfinar modellparametrar, vilket förbättrar generaliseringen när etiketterade data är knappa i förhållande till hela datamängden.
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
- Nigam, K., McCallum, A., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39, 103–134. DOI: 10.1023/a:1007692713085 ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/sv/machine-learning/semi-supervised-logistic-regression
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.
- EtikettpropageringMaskininlärning↔ compare
- Logistisk regression (ML)Maskininlärning↔ compare
- Självövervakad logistisk regressionMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
- Semihandled Naive BayesMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →