חיזוק גרדיאנט חצי-מפוקח
חיזוק גרדיאנט חצי-מפוקח משלב עצי חיזוק גרדיאנט עם אימון עצמי או תיוג-מדומה (pseudo-labeling) כדי לנצל מאגרי נתונים גדולים ללא תיוג לצד קבוצה קטנה של נתונים מתויגים. התאמה ראשונית של GBM על נתונים מתויגים מקצה חיזויים בטוחים לדוגמאות ללא תיוג; נקודות מתויגות-מדומה אלו מוחזרות לאימון והמודל עובר חיזוק מחדש, תוך חזרה עד להתכנסות. זה מאפשר למתרגלים לרתום נתונים זולים ללא תיוג כאשר תוויות הן נדירות או יקרות.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/he/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.
- בוסטינגלמידת מכונה↔ compare
- גרדיאנט בוסטינגלמידת מכונה↔ compare
- למידה בפיקוח עצמילמידת מכונה↔ compare
- למידה מונחית-למחצהלמידת מכונה↔ compare
- יער אקראי מבוסס למידה חצי-מפוקחתלמידת מכונה↔ compare
- XGBoostלמידת מכונה↔ compare