เปรียบเทียบวิธี

	การถดถอยเชิงเส้นแบบกึ่งมีผู้สอน	การเรียนรู้แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2005–2006	1970s–2006 (formalized)
ผู้ริเริ่ม	Chapelle, O.; Scholkopf, B.; Zien, A. (seminal synthesis); Zhou & Li (co-training formulation)	Vapnik, V. N. and others (community of researchers, 1970s–2000s)
ประเภท	Semi-supervised regression model	Learning paradigm
แหล่งต้นตำรับ	Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9	Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
ชื่อเรียกอื่น	SSL linear regression, semi-supervised least squares, transductive linear regression, label-efficient linear regression	SSL, semi-supervised machine learning, transductive learning, label-efficient learning
ที่เกี่ยวข้อง	4	5
สรุป	Semi-supervised linear regression fits a linear model on a small labeled dataset and then leverages a larger pool of unlabeled observations to improve coefficient estimates and generalization. By generating pseudo-labels for unlabeled points and iteratively refining the model, it achieves better predictive accuracy than a purely supervised linear model trained on scarce labels alone.	Semi-supervised learning (SSL) is a machine learning paradigm that trains models using a small set of labeled examples together with a much larger pool of unlabeled data. By leveraging the structure inherent in unlabeled data, SSL achieves accuracy closer to fully supervised models while requiring far fewer costly manual labels — making it practical when labeling is expensive, slow, or resource-constrained.