Gradient Boosting Separuh Selia
Gradient boosting separuh selia menggabungkan pokok yang dipertingkatkan kecerunan dengan pensilahan kendiri atau pelabelan palsu untuk mengeksploitasi kumpulan data besar yang tidak berlabel bersama dengan set berlabel yang kecil. Fit GBM awal pada data berlabel memberikan ramalan yang yakin kepada contoh yang tidak berlabel; titik berlabel palsu tersebut dilipat kembali ke dalam latihan dan model dipertingkatkan semula, berulang sehingga penumpuan. Ini membolehkan pengamal memanfaatkan data tidak berlabel yang murah apabila label jarang atau mahal.
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
- 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
Cara memetik halaman ini
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/ms/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.
- BoostingPembelajaran Mesin↔ compare
- Peningkatan CerunPembelajaran Mesin↔ compare
- Pembelajaran Kendiri-PenyeliaanPembelajaran Mesin↔ compare
- Pembelajaran Separa SeliaPembelajaran Mesin↔ compare
- Semi-supervised Random ForestPembelajaran Mesin↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →