Polosupervizované zosilňovanie gradientu
Polosupervizované zosilňovanie gradientu kombinuje zosilnené gradientové stromy so samotréningom alebo pseudo-označovaním, aby sa využili rozsiahle súbory neoznačených údajov spolu s malou označenou množinou. Počiatočné prispôsobenie GBM na označených údajoch priraďuje dôveryhodné predikcie neoznačeným príkladom; tieto pseudo-označené body sa vrátia do tréningu a model sa znovu zosilní, pričom sa iteruje až do konvergencie. To umožňuje praktickým používateľom využiť lacné neoznačené údaje, keď sú označenia nedostatkové alebo drahé.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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
Ako citovať túto stránku
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/sk/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.
- BoostingStrojové učenie↔ compare
- Gradient BoostingStrojové učenie↔ compare
- SamoučenieStrojové učenie↔ compare
- Polosupervizované učenieStrojové učenie↔ compare
- Semi-Supervised Random ForestStrojové učenie↔ compare
- XGBoostStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →