Peningkatan Gradien Semi-Terawasi
Peningkatan gradien semi-terawasi menggabungkan pohon-pohon yang ditingkatkan gradien dengan pelatihan mandiri atau pelabelan semu untuk memanfaatkan kumpulan data tak berlabel yang besar di samping kumpulan data berlabel yang kecil. Model GBM awal yang dilatih pada data berlabel memberikan prediksi yang meyakinkan pada contoh-contoh tak berlabel; titik-titik berlabel semu tersebut kemudian dimasukkan kembali ke dalam pelatihan dan model ditingkatkan kembali, berulang hingga konvergensi. Ini memungkinkan praktisi untuk memanfaatkan data tak berlabel yang murah ketika label langka atau mahal.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/id/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.
- BoostingPembelajaran Mesin↔ compare
- Peningkatan GradienPembelajaran Mesin↔ compare
- Pembelajaran Mandiri TerawasiPembelajaran Mesin↔ compare
- Pembelajaran Semi-terawasiPembelajaran Mesin↔ compare
- Semi-supervised Random ForestPembelajaran Mesin↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →