Semi-supervised XGBoost
Semi-supervised XGBoost rozšiřuje framework gradientního posilování XGBoost do scénářů, kde pouze zlomek trénovacích příkladů nese popisky. Iterativním generováním pseudo-popisků pro neoznačená data a přetrénováním na rozšířené sadě metoda extrahuje signál z neoznačených pozorování, čímž zlepšuje generalizaci, když jsou označená data vzácná.
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
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
- 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 Extreme Gradient Boosting. ScholarGate. https://scholargate.app/cs/machine-learning/semi-supervised-xgboost
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.
- Gradient BoostingStrojové učení↔ compare
- Propagace popiskůStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →