Напівкероване навчання метрик
Напівкероване навчання метрик вивчає адаптовану до задачі функцію відстані, комбінуючи невеликий набір мічених парних обмежень — пари «повинні бути пов'язані» (must-link) та «не повинні бути пов'язані» (cannot-link) — з геометричною структурою значно більшого пулу немічених даних. Результатом є відстань стилю Махаланобіса або на основі ядра, яка відображає як нагляд, так і топологію даних, покращуючи подальші завдання, такі як класифікація найближчих сусідів та кластеризація.
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
- Yeung, D.-Y., & Chang, H. (2007). A kernel approach for semi-supervised metric learning. IEEE Transactions on Neural Networks, 18(1), 141–149. DOI: 10.1109/TNN.2006.883723 ↗
- Davis, J. V., & Dhillon, I. S. (2008). Structured metric learning for high dimensional problems. Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 195–203. DOI: 10.1145/1401890.1401918 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Semi-supervised Metric Learning. ScholarGate. https://scholargate.app/uk/machine-learning/semi-supervised-metric-learning
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.
- Навчання з малою кількістю прикладівМашинне навчання↔ compare
- Навчання метрикМашинне навчання↔ compare
- Самокероване навчанняМашинне навчання↔ compare
- Напівкероване навчанняМашинне навчання↔ compare
- Трансферне навчанняМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →