Machine learningMachine learning
준지도 학습 그래디언트 부스팅
준지도 그래디언트 부스팅은 그래디언트 부스팅 트리와 자기 학습 또는 의사 레이블링을 결합하여 소량의 레이블이 지정된 데이터 세트와 함께 대규모의 레이블이 지정되지 않은 데이터를 활용합니다. 레이블이 지정된 데이터에 대한 초기 GBM 적합은 레이블이 지정되지 않은 예시에 대해 확신 있는 예측을 할당합니다. 해당 의사 레이블이 지정된 포인트는 훈련으로 다시 접혀지고 모델은 수렴할 때까지 반복적으로 재부스팅됩니다. 이를 통해 레이블이 부족하거나 비싼 경우 실무자가 저렴한 레이블이 지정되지 않은 데이터를 활용할 수 있습니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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
이 페이지 인용 방법
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/ko/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.
- 부스팅머신러닝↔ compare
- 그래디언트 부스팅머신러닝↔ compare
- 자기 지도 학습머신러닝↔ compare
- 준지도 학습머신러닝↔ compare
- 준지도학습 랜덤 포레스트머신러닝↔ compare
- XGBoost머신러닝↔ compare