Gradient Boosting Semi-supervisionato
Il gradient boosting semi-supervisionato combina alberi gradient boosting con auto-addestramento (self-training) o pseudo-etichettatura (pseudo-labeling) per sfruttare ampi set di dati non etichettati insieme a un piccolo set etichettato. Una prima stima GBM sui dati etichettati assegna predizioni sicure agli esempi non etichettati; tali punti pseudo-etichettati vengono reintrodotti nell'addestramento e il modello viene ri-potenziato (re-boosted), iterando fino alla convergenza. Ciò consente ai professionisti di sfruttare dati non etichettati a basso costo quando le etichette sono scarse o costose.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/it/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.
- BoostingApprendimento automatico↔ compare
- Gradient BoostingApprendimento automatico↔ compare
- Apprendimento AutocontrollatoApprendimento automatico↔ compare
- Apprendimento semi-supervisionatoApprendimento automatico↔ compare
- Random Forest Semi-SupervisionatoApprendimento automatico↔ compare
- XGBoostApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →