自己教師あり決定木

自己教師あり決定木学習は、古典的な決定木の解釈可能性と、自己教師ありのプリテキストタスクを通じて大量のラベルなしデータを活用する能力を組み合わせたものです。このモデルは、少数のラベル付きデータセットで予測を洗練する前に、ラベルなしサンプルから有用な特徴表現またはノード分割基準を学習し、完全教師あり決定木と純粋に教師なしクラスタリングの間のギャップを埋めます。