Arbre de décision auto-supervisé
L'apprentissage par arbre de décision auto-supervisé combine l'interprétabilité des arbres de décision classiques avec la capacité d'exploiter de grandes quantités de données non étiquetées grâce à des tâches prétextes auto-supervisées. Le modèle apprend des représentations de caractéristiques utiles ou des critères de division de nœuds à partir d'échantillons non étiquetés avant d'affiner les prédictions sur un petit ensemble étiqueté, comblant ainsi le fossé entre les arbres entièrement supervisés et le clustering purement non supervisé.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Decision Tree Learning. ScholarGate. https://scholargate.app/fr/machine-learning/self-supervised-decision-tree
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.
- Arbre de décisionApprentissage automatique↔ compare
- Gradient BoostingApprentissage automatique↔ compare
- Propagation d'étiquettesApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →