Półnadzorowany gradient boosting
Półnadzorowany gradient boosting łączy drzewa wzmacniane gradientowo z samouczeniem (self-training) lub pseudoznakowaniem (pseudo-labeling), aby wykorzystać duże zbiory danych nieoznakowanych obok małego zbioru danych oznakowanych. Początkowy model GBM, dopasowany do danych oznakowanych, przypisuje pewne predykcje do przykładów nieoznakowanych; te pseudoznakowane punkty są ponownie włączane do treningu, a model jest ponownie wzmacniany, iterując aż do zbieżności. Pozwala to praktykom na wykorzystanie tanich danych nieoznakowanych, gdy etykiety są rzadkie lub kosztowne.
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
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/pl/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.
- WzmocnienieUczenie maszynowe↔ compare
- Gradient BoostingUczenie maszynowe↔ compare
- Uczenie samo nadzorowaneUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
- Półnadzorowany las losowyUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →