Gradient Boosting Semi-supervisado
El gradient boosting semi-supervisado combina árboles de gradient boosting con autoconocimiento (self-training) o pseudo-etiquetado para explotar grandes cantidades de datos no etiquetados junto con un pequeño conjunto de datos etiquetados. Un ajuste inicial de GBM sobre datos etiquetados asigna predicciones seguras a ejemplos no etiquetados; esos puntos pseudo-etiquetados se incorporan al entrenamiento y el modelo se re-entrena (re-boosted), iterando hasta la convergencia. Esto permite a los profesionales aprovechar datos no etiquetados de bajo costo cuando las etiquetas son escasas o caras.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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
Cómo citar esta página
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/es/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.
- PotenciaciónAprendizaje automático↔ compare
- Gradient BoostingAprendizaje automático↔ compare
- Aprendizaje autosupervisadoAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
- Bosque Aleatorio Semi-supervisadoAprendizaje automático↔ compare
- XGBoostAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →