Samouczenie z użyciem LightGBM
Samouczenie z użyciem LightGBM łączy paradygmat uczenia samonadzorowanego z frameworkiem LightGBM do wzmacniania gradientowego, aby wykorzystać duże ilości nieetykietowanych danych tabelarycznych. Pretekstowe zadanie samonadzorowane – takie jak przewidywanie zamaskowanych cech lub kontrastowe zniekształcanie – generuje bogate reprezentacje cech lub pseudoetykiety, które są następnie wykorzystywane do trenowania lub dostrajania modelu LightGBM, znacząco poprawiając wydajność w warunkach niedoboru etykiet.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Self-supervised Learning with LightGBM (Gradient Boosting with Self-supervised Pretraining). ScholarGate. https://scholargate.app/pl/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.
- Gradient BoostingUczenie maszynowe↔ compare
- LightGBMUczenie maszynowe↔ compare
- Uczenie samo nadzorowaneUczenie maszynowe↔ compare
- Półnadzorowany LightGBMUczenie maszynowe↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →