Логістична регресія з напівкерованим навчанням
Напівкерована логістична регресія розширює стандартний логістичний класифікатор шляхом включення нерозмічених даних під час навчання. Використовуючи обгортки самонавчання (self-training), очікуваних максимумів (expectation-maximization) або поширення міток (label-propagation), вона ітеративно призначає м'які мітки нерозміченим прикладам та вдосконалює параметри моделі, покращуючи узагальнення, коли розмічених даних мало відносно повного набору даних.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Semi-supervised Logistic Regression (Self-training and EM-based variants). ScholarGate. https://scholargate.app/uk/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.
- Label PropagationМашинне навчання↔ compare
- Логістична регресія (ML)Машинне навчання↔ compare
- Логістична регресія із самоконтрольованим навчаннямМашинне навчання↔ compare
- Напівкероване навчанняМашинне навчання↔ compare
- Напівкерований Наївний БаєсМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →