Semisupervised Random Forest
Semisupervised Random Forest (SSL-RF) utökar den klassiska Random Forest genom att utnyttja både märkta och omärkta träningsdata. När märkning av data är kostsamt eller tidskrävande, tilldelar SSL-RF preliminära pseudomärkningar till omärkta observationer via själva skogen, för att sedan träna om på den berikade datamängden. Detta förbättrar successivt noggrannheten utan att kräva ytterligare mänsklig annotering.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Random Forest (SSL-RF). ScholarGate. https://scholargate.app/sv/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.
- Gradient BoostingMaskininlärning↔ compare
- EtikettpropageringMaskininlärning↔ compare
- Random ForestMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →