LightGBM Kendiri-Selia
LightGBM Kendiri-Selia menggabungkan paradigma pembelajaran kendiri-selia dengan rangka kerja pengukuhan kecerunan LightGBM untuk mengeksploitasi sejumlah besar data jadual tanpa label. Tugasan kendiri-selia yang bersifat 'pretext' — seperti ramalan ciri yang ditopeng atau pencemaran sekuang — menjana perwakilan ciri yang kaya atau label semu yang kemudiannya digunakan untuk melatih atau menala halus model LightGBM, sekali gus meningkatkan prestasi secara ketara dalam senario kekurangan label.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30. link ↗
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Self-Supervised Learning. Proceedings of the 37th International Conference on Machine Learning (ICML). link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Self-supervised Learning with LightGBM (Gradient Boosting with Self-supervised Pretraining). ScholarGate. https://scholargate.app/ms/machine-learning/self-supervised-lightgbm
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.
- Peningkatan CerunPembelajaran Mesin↔ compare
- LightGBMPembelajaran Mesin↔ compare
- Pembelajaran Kendiri-PenyeliaanPembelajaran Mesin↔ compare
- LightGBM Separuh-SeliaPembelajaran Mesin↔ compare
- Pembelajaran PindahanPembelajaran Mesin↔ compare
- XGBoostPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →