Polunadzirani gradijentno pojačavanje
Polu-nadgledjano pojačavanje gradijenta kombinuje pojačane gradijentne drvoredne modele sa samo-obukom ili pseudo-označavanjem kako bi se iskoristili veliki skupovi neoznačenih podataka uz mali skup označenih podataka. Početno uklapanje GBM-a na označenim podacima dodeljuje samouverena predviđanja neoznačenim primerima; te pseudo-označene tačke se vraćaju u obuku i model se ponovo pojačava, ponavljajući se do konvergencije. Ovo omogućava praktičarima da iskoriste jeftine neoznačene podatke kada su oznake retke ili skupe.
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
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/sr/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.
- BoostingMašinsko učenje↔ compare
- Градијентно појачањеMašinsko učenje↔ compare
- Samostalno učenjeMašinsko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
- Полу-надгледана случајна шумаMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →