تقویت گرادیان نیمهنظارتی
تقویت گرادیان نیمهنظارتی، درختان تقویتشده با گرادیان را با خودآموزی یا برچسبزنی کاذب ترکیب میکند تا از مجموعههای بزرگ داده بدون برچسب در کنار مجموعهای کوچک از دادههای برچسبدار بهره ببرد. یک برازش اولیه GBM بر روی دادههای برچسبدار، پیشبینیهای مطمئن را به نمونههای بدون برچسب اختصاص میدهد؛ آن نقاط برچسبزنی کاذب دوباره به آموزش اضافه شده و مدل دوباره تقویت میشود و تا همگرایی تکرار میشود. این امر به متخصصان اجازه میدهد تا در صورت کمیاب یا گران بودن برچسبها، از دادههای ارزان بدون برچسب بهرهمند شوند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/fa/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.
- بوستینگیادگیری ماشین↔ compare
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- یادگیری خودنظارتییادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
- جنگل تصادفی نیمهنظارتشدهیادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →