CatBoost daļēji uzraudzīta apmācība
Daļēji uzraudzītā CatBoost metode pielāgo CatBoost kārtoto gradientu pastiprināšanas sistēmu situācijām, kurās tikai neliela daļa apmācības instanču satur atzīmes (labels), izmantojot neatzīmētos datus caur pseidoatzīmēšanu vai uz konsekvenci balstītām stratēģijām, lai uzlabotu modeļa precizitāti, pārsniedzot to, ko vien spētu nodrošināt tikai atzīmētie dati.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. In Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised CatBoost (Gradient Boosting with Partially Labeled Data). ScholarGate. https://scholargate.app/lv/machine-learning/semi-supervised-catboost
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.
- CatBoostMašīnmācīšanās↔ compare
- Gradient BoostingMašīnmācīšanās↔ compare
- Puspašvadāmā gradientu pastiprināšanaMašīnmācīšanās↔ compare
- Daļēji uzraudzīts Random ForestMašīnmācīšanās↔ compare
- Daļēji uzraudzīts XGBoostMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →