Gradient Boosting Semi-Supervisat
El gradient boosting semi-supervisat combina arbres de gradient boosting amb auto-entrenament o pseudo-etiquetatge per aprofitar grans conjunts de dades no etiquetades al costat d'un petit conjunt etiquetat. Un ajust inicial de GBM sobre dades etiquetades assigna prediccions segures a exemples no etiquetats; aquests punts pseudo-etiquetats es reincorporen a l'entrenament i el model es torna a reforçar, iterant fins a la convergència. Això permet als professionals aprofitar les dades no etiquetades de baix cost quan les etiquetes són escasses o cares.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/ca/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.
- BoostingAprenentatge automàtic↔ compare
- Gradient BoostingAprenentatge automàtic↔ compare
- Aprenentatge autosupervisatAprenentatge automàtic↔ compare
- Aprenentatge semi-supervisatAprenentatge automàtic↔ compare
- Bosc Aleatori Semi-supervisatAprenentatge automàtic↔ compare
- XGBoostAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →