Selvsuperviseret gradient-boosting
Selvsuperviseret gradient-boosting udvider det klassiske gradient-boosting-rammeværk ved at inkorporere selvsuperviserede pretext-opgaver for at udnytte uannoterede data. Modellen lærer først nyttige feature-repræsentationer fra uannoterede samples og bruger derefter disse repræsentationer til at styre det sekventielle ensemble af svage indlæringsmodeller, hvilket opnår stærk prædiktiv ydeevne, selv når mærkede eksempler er sparsomme.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised Gradient Boosting (SSL-GBM). ScholarGate. https://scholargate.app/da/machine-learning/self-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.
- Gradient BoostingMaskinlæring↔ compare
- LightGBMMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →