Полу-наблюдавано обучение с CatBoost
Полу-наблюдаваното обучение с CatBoost прилага рамката за подредено градиентно усилване на CatBoost към сценарии, при които само част от тренировъчните екземпляри носят етикети, като използва немаркирани данни чрез псевдо-етикетиране или стратегии, базирани на консистентност, за подобряване на точността на модела отвъд това, което само маркираните данни биха позволили.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. In Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Как да цитирате тази страница
ScholarGate. (2026, June 3). Semi-supervised CatBoost (Gradient Boosting with Partially Labeled Data). ScholarGate. https://scholargate.app/bg/machine-learning/semi-supervised-catboost
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.
- CatBoostМашинно обучение↔ compare
- Градиентен бустингМашинно обучение↔ compare
- Полу-наблюдавано градиентно усилванеМашинно обучение↔ compare
- Полу-наблюдавано случайно дървоМашинно обучение↔ compare
- Полу-контролиран XGBoostМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →