监督机器学习

165 种方法属于此方法族。

精选

主动学习Active learning is an iterative machine-learning paradigm in which a learning algorithm selectively queries an oracle — typically a human annotator — for labels on the most informa 主动学习提升（Active Learning Boosting）Active Learning Boosting combines the query-driven label acquisition of active learning with the weighted-ensemble logic of boosting algorithms such as AdaBoost. The model iterativ 主动学习决策树Active learning with a decision tree combines the interpretable structure of a CART-style tree with a query strategy that selects the most informative unlabeled instances for human 联邦主动学习Federated Active Learning combines the annotation-efficiency of active learning with the privacy-preserving decentralization of federated learning. A shared global model is trained 主动学习高斯混合模型Active Learning Gaussian Mixture Model combines an iterative query strategy with a Gaussian Mixture Model learner. The algorithm selects the most informative unlabeled points — typ 主动学习梯度提升Active Learning Gradient Boosting combines the powerful predictive accuracy of gradient boosted trees with an active learning loop that selects the most informative unlabeled examp

阅读路径

本主题被引用最多的基础方法，按其提出的先后顺序排列——若您初次接触，不妨从这里开始。

在线学习1958–2000s作者：Rosenblatt, F.; Littlestone, N.; Shalev-Shwartz, S. (key contributors)
半监督学习1970s–2006 (formalized)作者：Vapnik, V. N. and others (community of researchers, 1970s–2000s)
决策树1984作者：Breiman, Friedman, Olshen & Stone
Boosting1990–1997作者：Schapire, R. E.; Freund, Y.
随机森林2001作者：Breiman, L.
迁移学习2010 (formalized); 1990s (early roots)作者：Pan, S. J. & Yang, Q. (survey); Bengio, Y. (deep learning framing)
XGBoost2016作者：Chen, T. & Guestrin, C.
自监督学习2018–2020作者：LeCun, Y. and community (formalized ~2018–2020)

本栏架上的全部方法 ↓

全部方法 165

主动学习主动学习提升（Active Learning Boosting）主动学习决策树联邦主动学习主动学习高斯混合模型主动学习梯度提升主动学习 K-近邻主动学习 LightGBM 主动学习线性回归主动学习单类支持向量机主动学习与自监督学习主动学习堆叠集成主动学习支持向量机主动学习投票集成 AdaBoost Boosting Boosting Ensemble Borda计数聚合 CatBoost 协同过滤保形预测决策树德普特-谢弗融合涌现模式挖掘集成主动学习集成决策树集成联邦学习集成少样本学习集成高斯混合模型集成高斯过程集成梯度提升集成 K-近邻算法集成度量学习集成朴素贝叶斯集成单类支持向量机 (Ensemble One-Class SVM)Ensemble Online Learning 集成自监督学习集成半监督学习集成支持向量机集成迁移学习极端随机树 (Extra Trees)少样本学习 FP-Growth (频繁模式增长)广义可加模型 (GAM)独立成分分析（ICA）Isomap K-Nearest Neighbors 标签传播 LightGBM 线性判别分析 (LDA)线性回归 (ML)LOESS / LOWESS局部回归多数表决多元自适应回归样条 (MARS)矩阵填充度量学习多层感知机 (MLP)朴素贝叶斯 (Naive Bayes) 是一种快速的概率分类器，它应用贝叶斯定理，同时假设特征在给定类别时是条件独立的非负矩阵分解 (NMF)在线主动学习在线提升 (Online Boosting)在线决策树在线联邦学习在线少样本学习在线FP增长 (Online FP-growth)在线高斯混合模型在线高斯过程在线梯度提升在线K近邻在线学习在线 LightGBM 在线线性回归在线度量学习在线朴素贝叶斯在线单类支持向量机在线随机森林在线自监督学习在线半监督学习在线支持向量机在线迁移学习在线投票集成分布外检测偏最小二乘回归 (PLS)策略梯度方法 Q学习二次判别分析 (QDA)随机森林回归与平滑样条正则化提升正则化 CatBoost 正则化决策树正则化联邦学习正则化少样本学习正则化高斯过程正则化梯度提升正则化k近邻算法正则化朴素贝叶斯正则化在线学习正则化随机森林正则化半监督学习正则化支持向量机正则化迁移学习鲁棒主动学习鲁棒提升鲁棒决策树鲁棒联邦学习鲁棒高斯混合模型稳健高斯过程鲁棒度量学习鲁棒单类支持向量机 (Robust One-Class SVM)鲁棒在线学习鲁棒随机森林鲁棒堆叠集成鲁棒支持向量机鲁棒投票集成规则归纳（RIPPER）自监督主动学习自监督增强学习自监督决策树 Self-supervised Federated Learning 自监督少样本学习自监督高斯过程自监督梯度提升 (Self-supervised Gradient Boosting)自监督 K-近邻自监督学习自监督 LightGBM 自监督度量学习自监督单类支持向量机 (Self-supervised One-class SVM)自监督随机森林自监督堆叠集成自监督支持向量机自监督迁移学习半监督主动学习半监督提升半监督 CatBoost 半监督决策树半监督联邦学习半监督少样本学习半监督FP-growth 半监督高斯混合模型半监督高斯过程半监督梯度提升半监督K近邻半监督学习半监督 LightGBM 半监督线性回归半监督度量学习半监督朴素贝叶斯半监督单类支持向量机半监督在线学习半监督随机森林半监督堆叠集成半监督支持向量机半监督迁移学习半监督投票集成半监督XGBoost 序列模式挖掘堆叠泛化堆叠法随机梯度下降 (SGD)支持向量机（分类）支持向量回归迁移学习投票集成 (Voting Ensemble)XGBoost