Semi-supervised XGBoost
Semi-supervised XGBoost erweitert das XGBoost Gradient Boosting Framework für Szenarien, in denen nur ein Bruchteil der Trainingsbeispiele über Labels verfügt. Durch iterative Generierung von Pseudolabels für unbeschriftete Daten und anschließendes Neutraining mit dem erweiterten Datensatz extrahiert die Methode Signal aus unbeschrifteten Beobachtungen und verbessert die Generalisierung, wenn beschriftete Daten knapp 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
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Extreme Gradient Boosting. ScholarGate. https://scholargate.app/de/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 BoostingMaschinelles Lernen↔ compare
- Label PropagationMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →