Machine learning 表格数据回归任务的半监督学习？

表格数据回归任务的半监督学习？我有20K标记数据和200K未标记数据

模型通过半监督学习变得越来越好，例如，自学习，最重要的是，如果你只有20K，并且对200K进行预测，那么你假设特征的方差和分布保持不变，这并不总是正确的，因此即使你的模型在K倍CV上的平均R2为90，你也会做出一个具有相当大误差的预测。希望这能解释为什么我在寻找回归的半监督方法

---

为什么说它是半监督的。您有20K条记录要训练您的模型，剩余的记录应该为您执行prediction@SwaritAgarwal模型在半监督学习（例如自学习）的情况下越来越好，最重要的是，如果你只有20K，并且对200K进行预测，那么你假设特征的方差和分布保持不变，这并不总是正确的，因此即使您的模型在K倍CV上的平均R2为90，也要做出具有相当大误差的预测。希望这能解释为什么我在寻找回归的半监督方法！这是有道理的。但你的20K记录的准确度和R2是多少。我相信更多的数据确实会改善你的模型。试着做一次岭回归。希望能解决您的问题。我的K倍R2在20K数据上相当高，我正在尝试所有非线性模型，如XGBoost、神经网络等。Ridge是一个线性模型，不会有帮助。问题是什么？请您更新问题，添加您在评论中提供的所有信息，并提出有意义的问题。流形正则化半监督学习分类可以在LapSVM的基础上重新编码简单的回归算法（例如，回归的kmean）。