Machine learningMachine learning
半教師あり勾配ブースティング
半教師あり勾配ブースティングは、勾配ブースト木と自己学習または疑似ラベリングを組み合わせて、少数のラベル付きデータセットと大量のラベルなしデータを活用します。ラベル付きデータに最初に適合させたGBMは、ラベルなしの例に対して確信度の高い予測を割り当てます。これらの疑似ラベル付きデータ点はトレーニングに再度取り込まれ、モデルは収束するまで再ブーストされます。これにより、ラベルが不足しているか高価な場合に、安価なラベルなしデータを活用できます。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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
このページの引用方法
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/ja/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.
- ブースティング機械学習↔ compare
- 勾配ブースティング機械学習↔ compare
- 自己教師あり学習機械学習↔ compare
- 半教師あり学習機械学習↔ compare
- 半教師ありランダムフォレスト機械学習↔ compare
- XGBoost機械学習↔ compare