Сâмонадгледано учење са LightGBM
Сâмонадгледано учење са LightGBM комбинује парадигму сâмонадгледаног учења са LightGBM оквиром за градијентно појачавање како би се искористиле велике количине ненадгледаних табеларних података. Претекст задатак сâмонадгледаног учења — као што је предвиђање маскираних ознака или контрастивно нарушавање — генерише богате репрезентације ознака или псеудо-ознаке које се затим користе за обуку или фино подешавање LightGBM модела, значајно побољшавајући перформансе у условима оскудних ознака.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30. link ↗
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Self-Supervised Learning. Proceedings of the 37th International Conference on Machine Learning (ICML). link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Self-supervised Learning with LightGBM (Gradient Boosting with Self-supervised Pretraining). ScholarGate. https://scholargate.app/sr/machine-learning/self-supervised-lightgbm
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.
- Градијентно појачањеMašinsko učenje↔ compare
- LightGBMMašinsko učenje↔ compare
- Samostalno učenjeMašinsko učenje↔ compare
- Semi-supervised LightGBMMašinsko učenje↔ compare
- Transferno učenjeMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →