ScholarGate
Pembantu
Machine learningMachine learning

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.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

The neighbourhood of related methods — select a node to explore.

Sumber

  1. 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
  2. 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.

Compare side by side

Dirujuk oleh

ScholarGateSemi-supervised Gradient Boosting (Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees)). Dicapai 2026-06-15 daripada https://scholargate.app/ms/machine-learning/semi-supervised-gradient-boosting · Set data: https://doi.org/10.5281/zenodo.20539026