เปรียบเทียบวิธี

	การเรียนรู้แบบกึ่งกำกับดูแลแบบปรับให้เหมาะสม	Regularized Random Forest
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2006	2012
ผู้ริเริ่ม	Belkin, M.; Niyogi, P.; Sindhwani, V.	Deng, H. & Runger, G.
ประเภท	Regularized learning paradigm	Regularized ensemble (penalized feature selection in trees)
แหล่งต้นตำรับ	Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434.	Deng, H., & Runger, G. (2012). Feature selection via regularized trees. Proceedings of the 2012 International Joint Conference on Neural Networks (IJCNN), IEEE, pp. 1–8.
ชื่อเรียกอื่น	manifold regularization, graph-regularized SSL, semi-supervised regularization, Laplacian regularization	RRF, Guided Regularized Random Forest, GRRF, regularized tree ensemble
ที่เกี่ยวข้อง	6	5
สรุป	Regularized semi-supervised learning adds explicit geometric or graph-based penalty terms to a semi-supervised objective so that the decision function varies smoothly over the data manifold. Pioneered through manifold regularization (Belkin, Niyogi & Sindhwani, 2006), it exploits the structure of both labeled and unlabeled examples to learn more accurate models than supervised regularization alone when labeled data are scarce.	Regularized Random Forest (RRF), introduced by Deng and Runger in 2012, extends the standard Random Forest by adding a penalty that discourages splits on features not already used in the ensemble. This built-in regularization produces sparser, less redundant feature subsets, making the model especially valuable when feature selection is as important as predictive accuracy.