Gradient Boosting Semi-supervizat
Gradient boosting semi-supervizat combină arborii de gradient boosting cu auto-antrenarea sau etichetarea pseudo pentru a exploata volume mari de date neetichetate alături de un set mic de date etichetate. O ajustare inițială GBM pe datele etichetate atribuie predicții sigure exemplelor neetichetate; acele puncte pseudo-etichetate sunt reintroduse în antrenament și modelul este re-antrenat prin boosting, iterând până la convergență. Aceasta permite practicienilor să valorifice date neetichetate ieftine atunci când etichetele sunt rare sau costisitoare.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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
Cum se citează această pagină
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/ro/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.
- BoostingÎnvățare automată↔ compare
- Gradient BoostingÎnvățare automată↔ compare
- Învățare auto-supervizatăÎnvățare automată↔ compare
- Învățare semi-supervizatăÎnvățare automată↔ compare
- Random Forest semi-supervizatÎnvățare automată↔ compare
- XGBoostÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →