Félfelügyelt CatBoost
A Félfelügyelt CatBoost a CatBoost rendezett gradiens kiemelés keretrendszerét alkalmazza olyan helyzetekben, ahol a tanító példányoknak csak egy töredéke hordoz címkéket, kihasználva a címkézetlen adatokat pszeudocímkézés vagy konzisztencia-alapú stratégiák révén, hogy a modell pontosságát a csak címkézett adatok által lehetővé tettnél jobban javítsa.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. In Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Semi-supervised CatBoost (Gradient Boosting with Partially Labeled Data). ScholarGate. https://scholargate.app/hu/machine-learning/semi-supervised-catboost
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.
- CatBoostGépi tanulás↔ compare
- Gradient BoostingGépi tanulás↔ compare
- Félfelügyelt Gradient BoostingGépi tanulás↔ compare
- Félfelügyelt Random ForestGépi tanulás↔ compare
- Félfelügyelt XGBoostGépi tanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →