Полу-наблюдавано градиентно усилване
Полу-наблюдаваното градиентно усилване комбинира градиентно усилени дървета със самообучение или псевдо-етикетиране, за да използва големи обеми от немаркирани данни заедно с малък набор от маркирани данни. Първоначално GBM, обучен върху маркирани данни, присвоява уверени прогнози на немаркирани примери; тези псевдо-етикетирани точки се включват обратно в обучението и моделът се усилва отново, като итерациите продължават до достигане на сходимост. Това позволява на практиците да използват евтини немаркирани данни, когато етикетите са оскъдни или скъпи.
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
- Yarowsky, D. (1995). Unsupervised word sense disambiguation rivaling supervised methods. Proceedings of ACL 1995, 189–196. (Foundational self-training framework underlying pseudo-label approaches.) 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 Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/bg/machine-learning/semi-supervised-gradient-boosting
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.
- БустингМашинно обучение↔ compare
- Градиентен бустингМашинно обучение↔ compare
- Самообучаващо се ученеМашинно обучение↔ compare
- Полу-наблюдавано обучениеМашинно обучение↔ compare
- Полу-наблюдавано случайно дървоМашинно обучение↔ compare
- XGBoostМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →