การเพิ่มประสิทธิภาพแบบกึ่งมีผู้สอนโดยใช้ Gradient Boosting
การเพิ่มประสิทธิภาพแบบกึ่งมีผู้สอนด้วยการไล่ระดับสีแบบไล่ระดับ (Semi-supervised gradient boosting) เป็นการผสมผสานต้นไม้ที่เพิ่มประสิทธิภาพด้วยการไล่ระดับสี (gradient boosted trees) เข้ากับการฝึกตนเอง (self-training) หรือการติดป้ายเทียม (pseudo-labeling) เพื่อใช้ประโยชน์จากข้อมูลจำนวนมากที่ไม่มีป้ายกำกับ ควบคู่ไปกับชุดข้อมูลที่มีป้ายกำกับขนาดเล็ก การปรับ GBM เริ่มต้นบนข้อมูลที่มีป้ายกำกับจะกำหนดการทำนายที่มั่นใจให้กับตัวอย่างที่ไม่มีป้ายกำกับ จากนั้นจุดที่มีป้ายกำกับเทียมเหล่านั้นจะถูกนำกลับเข้าสู่การฝึก และแบบจำลองจะถูกปรับปรุงใหม่เป็นลำดับขั้นจนกว่าจะบรรจบกัน วิธีนี้ช่วยให้นักปฏิบัติสามารถใช้ประโยชน์จากข้อมูลที่ไม่มีป้ายกำกับซึ่งหาได้ง่าย เมื่อป้ายกำกับมีน้อยหรือมีค่าใช้จ่ายสูง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Semi-supervised Gradient Boosting (Self-training / Pseudo-labeling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/th/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.
- Boostingการเรียนรู้ของเครื่อง↔ compare
- การเสริมกำลังไล่ระดับการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกำกับดูแลตนเองการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับดูแลการเรียนรู้ของเครื่อง↔ compare
- Semi-supervised Random Forestการเรียนรู้ของเครื่อง↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare