Félfelügyelt Gradient Boosting
A félfelügyelt gradient boosting módszer a gradient boosting fákat az önképzés vagy pszeudocímkézés technikájával kombinálja, hogy nagyméretű, címkézetlen adathalmazokat használjon ki egy kis címkézett készlet mellett. Egy kezdeti, címkézett adatokon illesztett GBM (Gradient Boosting Machine) magabiztos előrejelzéseket rendel a címkézetlen példányokhoz; ezeket a pszeudocímkézett pontokat visszavezetik az edzésbe, és a modellt újraépítik, iteratívan, amíg konvergencia nem következik be. Ez lehetővé teszi a gyakorlati szakemberek számára, hogy kiaknázzák az olcsó, címkézetlen adatokat, amikor a címkék ritkák vagy drágák.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/hu/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.
- BoostingGépi tanulás↔ compare
- Gradient BoostingGépi tanulás↔ compare
- Önfelügyelt tanulásGépi tanulás↔ compare
- Félfelügyelt tanulásGépi tanulás↔ compare
- Félfelügyelt Random ForestGépi tanulás↔ compare
- XGBoostGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →