Semi-overvåget Gradient Boosting
Semi-overvåget gradient boosting kombinerer gradient boosted trees med selvtræning eller pseudo-mærkning for at udnytte store puljer af umærkede data sammen med et lille mærket datasæt. En indledende GBM-tilpasning på mærkede data tildeler selvsikre forudsigelser til umærkede eksempler; disse pseudo-mærkede punkter foldes tilbage i træningen, og modellen gen-boostes, itererende indtil konvergens. Dette gør det muligt for praktikere at udnytte billige umærkede data, når mærker er knappe eller dyre.
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
- 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
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/da/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.
- BoostingMaskinlæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- Selvovervåget læringMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
- Semi-supervised Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →