Gradient Boosting Semi-supervisé
Le gradient boosting semi-supervisé combine des arbres de gradient boosting avec l'auto-apprentissage (self-training) ou le pseudo-étiquetage pour exploiter de vastes ensembles de données non étiquetées aux côtés d'un petit ensemble étiqueté. Un premier ajustement GBM sur les données étiquetées attribue des prédictions confiantes aux exemples non étiquetés ; ces points pseudo-étiquetés sont réintégrés dans l'entraînement et le modèle est ré-boosté, en itérant jusqu'à convergence. Cela permet aux praticiens d'exploiter les données non étiquetées peu coûteuses lorsque les étiquettes sont rares ou coûteuses.
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
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/fr/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.
- BoostingApprentissage automatique↔ compare
- Gradient BoostingApprentissage automatique↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Forêt aléatoire semi-superviséeApprentissage automatique↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →