Semi-gesuperviseerd Gradiëntversterking
Semi-gesuperviseerde gradiëntversterking combineert gradiëntversterkte bomen met zelf-training of pseudo-labeling om grote hoeveelheden ongelabelde data te benutten naast een kleine gelabelde set. Een initiële GBM, getraind op gelabelde data, kent betrouwbare voorspellingen toe aan ongelabelde voorbeelden; deze pseudo-gelabelde punten worden teruggevoerd in de training en het model wordt opnieuw versterkt, waarbij dit proces wordt herhaald tot convergentie. Dit stelt praktijkmensen in staat om goedkope ongelabelde data te benutten wanneer labels schaars of duur zijn.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/nl/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.
- BoostingMachine learning↔ compare
- Gradient BoostingMachine learning↔ compare
- Zelf-gesuperviseerd LerenMachine learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
- Semi-supervised Random ForestMachine learning↔ compare
- XGBoostMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →