Полуавтоматический CatBoost
Полуавтоматический CatBoost применяет фреймворк упорядоченного градиентного бустинга CatBoost к сценариям, где только часть обучающих примеров имеет метки, используя неразмеченные данные через псевдо-маркировку или стратегии, основанные на согласованности, для повышения точности модели сверх того, что могли бы обеспечить только размеченные данные.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. In Advances in Neural Information Processing Systems (NeurIPS), 31. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Как цитировать эту страницу
ScholarGate. (2026, June 3). Semi-supervised CatBoost (Gradient Boosting with Partially Labeled Data). ScholarGate. https://scholargate.app/ru/machine-learning/semi-supervised-catboost
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.
- CatBoostМашинное обучение↔ compare
- Градиентный бустингМашинное обучение↔ compare
- Полуавтоматический градиентный бустингМашинное обучение↔ compare
- Случайный лес с частичной разметкойМашинное обучение↔ compare
- Полу-контролируемый XGBoostМашинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →