Semi-supervised XGBoost
Semi-supervised XGBoost laajentaa XGBoost-gradienttitehostuskehystä asetelmiin, joissa vain murto-osa harjoitusesimerkeistä sisältää tunnisteita. Generoimalla iteratiivisesti pseudotunnisteita merkitsemättömälle datalle ja uudelleenharkitsemalla laajennettua joukkoa, menetelmä poimii signaalia merkitsemättömistä havainnoista, parantaen yleistymistä, kun merkittyä dataa on niukasti.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Semi-supervised Extreme Gradient Boosting. ScholarGate. https://scholargate.app/fi/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 BoostingKoneoppiminen↔ compare
- Label PropagationKoneoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →