Semi-supervised Gradient Boosting
Semi-supervised gradient boosting kombinerar gradient boosted trees med self-training eller pseudo-labeling för att utnyttja stora mängder o-märkt data jämte en liten mängd märkt data. En initial GBM-anpassning på märkt data tilldelar säkra prediktioner till o-märkta exempel; dessa pseudo-märkta punkter inkluderas i träningen och modellen om-boostas, itererande tills konvergens uppnås. Detta gör det möjligt för praktiker att utnyttja billig o-märkt data när etiketter är knappa eller dyra.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/sv/machine-learning/semi-supervised-gradient-boosting
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- BoostingMaskininlärning↔ jämför
- Gradient BoostingMaskininlärning↔ jämför
- Självövervakad inlärningMaskininlärning↔ jämför
- Semi-övervakad inlärningMaskininlärning↔ jämför
- Semisupervised Random ForestMaskininlärning↔ jämför
- XGBoostMaskininlärning↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →