Полу-контролируемый XGBoost
Полу-контролируемый XGBoost расширяет фреймворк градиентного бустинга XGBoost для сценариев, где только часть обучающих примеров имеет метки. Итеративно генерируя псевдо-метки для неразмеченных данных и переобучая на расширенном наборе, метод извлекает сигнал из неразмеченных наблюдений, улучшая обобщение при дефиците размеченных данных.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
- 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 Extreme Gradient Boosting. ScholarGate. https://scholargate.app/ru/machine-learning/semi-supervised-xgboost
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.
- Градиентный бустингМашинное обучение↔ compare
- Распространение метокМашинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
- XGBoostМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →