Semi-supervised CatBoost
Semi-supervised CatBoost aplikuje framework CatBoost pro uspořádané gradientové posilování na scénáře, kde pouze zlomek trénovacích instancí nese popisky, a využívá neoznačená data prostřednictvím pseudo-označování nebo strategií založených na konzistenci k vylepšení přesnosti modelu nad rámec toho, co by umožnila pouze označená data.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised CatBoost (Gradient Boosting with Partially Labeled Data). ScholarGate. https://scholargate.app/cs/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.
- CatBoostStrojové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- Polozavedené vylepšování gradientemStrojové učení↔ compare
- Semi-supervised Random ForestStrojové učení↔ compare
- Semi-supervised XGBoostStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →