Polozavedené vylepšování gradientem
Polozavedené vylepšování gradientem kombinuje vylepšené gradientové stromy se samo-trénováním nebo pseudo-označováním, aby se využily velké soubory neoznačených dat spolu s malou označenou sadou. Počáteční přizpůsobení GBM na označených datech přiřazuje sebevědomé predikce neoznačeným příkladům; tyto pseudo-označené body jsou začleněny zpět do trénování a model je znovu vylepšován, opakuje se až do konvergence. To umožňuje praktikům využít levná neoznačená data, když jsou označení vzácná nebo drahá.
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
- 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
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/cs/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.
- ZesilováníStrojové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- Samoučící se učeníStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- Semi-supervised Random ForestStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →