Metodebevisregister
Semi-supervised LightGBM
Semi-supervised LightGBM combines LightGBM's highly efficient gradient boosting framework with semi-supervised strategies — most commonly pseudo-labeling or self-training — to exploit large pools of unlabeled data alongside a smaller labeled set, improving predictive performance when obtaining labels is costly or time-consuming.
Kilderegister
Siteringer kopiert ordrett fra metodens kilderegister. Ingen påstandsnivåverifisering er underforstått fra dem.
Semi-supervised Learning with Light Gradient Boosting Machine
Taksonomisk metoderegister · ml-model / machine-learning
- 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, 3146–3154. · URL
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. · ISBN 978-0-262-03358-9
Kuraterte påstander
Påstander lagret i bevishovedboken, hver med sin egen vurdering.
Ingen kuraterte påstander ennå
Denne visningen finner ikke opp en påstandsvurdering når hovedboken ikke har noen.
Relaterte metoder
Generert fra metodegrafen og vist som maskinforslåtte relasjoner – ingen bevispåstand er underforstått.