Puspašvadāmā gradientu pastiprināšana
Puspašvadāmā gradientu pastiprināšana apvieno gradientu pastiprinātus kokus ar pašmācību vai pseidopozīmēm, lai izmantotu lielu neapzīmētu datu kopumu līdzās nelielai apzīmētai kopai. Sākotnējā GBM (Gradient Boosting Machine) pielāgošana, izmantojot apzīmētus datus, piešķir pārliecinošas prognozes neapzīmētiem piemēriem; šie pseidopozīmju piemēri tiek iekļauti apmācībā, un modelis tiek atkārtoti pastiprināts, iterējot līdz konverģencei. Tas ļauj praktiķiem izmantot lētus neapzīmētus datus, kad pozīmes ir reti vai dārgas.
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
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/lv/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.
- PastiprināšanaMašīnmācīšanās↔ compare
- Gradient BoostingMašīnmācīšanās↔ compare
- Pašuzraudzības apmācībaMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Daļēji uzraudzīts Random ForestMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →