Halb-überwachtes Gradient Boosting
Halb-überwachtes Gradient Boosting kombiniert Gradient-Boosted Trees mit Self-Training oder Pseudo-Labeling, um große Mengen unbeschrifteter Daten neben einem kleinen beschrifteten Datensatz zu nutzen. Eine anfängliche GBM-Anpassung an beschrifteten Daten weist unbeschrifteten Beispielen zuversichtliche Vorhersagen zu; diese Pseudo-Label-Punkte werden in das Training zurückgeführt und das Modell wird neu geboostet, bis zur Konvergenz. Dies ermöglicht Praktikern, kostengünstige unbeschriftete Daten zu nutzen, wenn Labels knapp oder teuer sind.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/de/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.
- BoostingMaschinelles Lernen↔ compare
- Gradient BoostingMaschinelles Lernen↔ compare
- Selbstüberwachtes LernenMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Semi-supervised Random ForestMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →