โลจิสติกส์ถดถอยแบบกึ่งกำกับดูแล
โลจิสติกส์ถดถอยแบบกึ่งกำกับดูแล (Semi-supervised logistic regression) เป็นการขยายขอบเขตของตัวจำแนกประเภทโลจิสติกส์มาตรฐาน โดยการรวมข้อมูลที่ไม่มีป้ายกำกับ (unlabeled data) เข้ามาในกระบวนการฝึกฝน โดยใช้เทคนิคเสริม เช่น self-training, expectation-maximization (EM), หรือ label-propagation ในการกำหนดป้ายกำกับแบบอ่อน (soft labels) ให้กับข้อมูลที่ไม่มีป้ายกำกับแบบวนซ้ำ และปรับปรุงพารามิเตอร์ของแบบจำลอง ซึ่งช่วยเพิ่มความสามารถในการสรุปผล (generalization) เมื่อข้อมูลที่มีป้ายกำกับมีจำนวนน้อยเมื่อเทียบกับชุดข้อมูลทั้งหมด
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/th/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.
- การแพร่กระจายป้ายกำกับการเรียนรู้ของเครื่อง↔ compare
- การถดถอยโลจิสติก (ML)การเรียนรู้ของเครื่อง↔ compare
- การถดถอยโลจิสติกแบบกำกับตนเองการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับดูแลการเรียนรู้ของเครื่อง↔ compare
- Naive Bayes แบบกึ่งกำกับดูแลการเรียนรู้ของเครื่อง↔ compare