Yöntem kanıt kaydı

Semi-supervised Logistic Regression

Semi-supervised logistic regression extends the standard logistic classifier by incorporating unlabeled data during training. Using self-training, expectation-maximization, or label-propagation wrappers, it iteratively assigns soft labels to unlabeled examples and refines model parameters, improving generalization when labeled data are scarce relative to the full dataset.

Sources recorded, not reviewed

Kaynak kayıt

Alıntılar, yöntemin kaynak kaydından harfi harfine kopyalanmıştır. Bunlardan herhangi bir düzeyde doğrulama çıkarımı yapılmamıştır.

Semi-supervised Logistic Regression (Self-training and EM-based variants)

Taksonomik yöntem kaydı · ml-model / machine-learning

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

Tam yöntemi aç

Derlenmiş iddialar

Her biri kendi değerlendirmesiyle birlikte kanıt defterine kaydedilmiş iddialar.

Henüz derlenmiş iddia yok

Bu görünüm, defterde hiç iddia olmadığında bir iddia değerlendirmesi icat etmez.

İlgili yöntemler

Yöntem grafiğinden oluşturulmuştur ve makine tarafından önerilen ilişkiler olarak gösterilir — herhangi bir kanıt iddiası çıkarımı yapılmamıştır.

Same method familyLabel Propagationmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketLogistic regression (ML)machine-suggested · Relational suggestion, not evidence.Taxonomic bucketSelf-supervised Logistic Regressionmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSemi-supervised Learningmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSemi-supervised Naive Bayesmachine-suggested · Relational suggestion, not evidence.