XGBoost з напівкерованим навчанням
XGBoost з напівкерованим навчанням розширює фреймворк градієнтного бустингу XGBoost для сценаріїв, де лише частка тренувальних прикладів має мітки. Шляхом ітеративного генерування псевдо-міток для нерозмічених даних та перенавчання на розширеному наборі, метод витягує сигнал із нерозмічених спостережень, покращуючи узагальнення, коли розмічені дані є дефіцитними.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
- Chapelle, O., Scholkopf, B. & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Semi-supervised Extreme Gradient Boosting. ScholarGate. https://scholargate.app/uk/machine-learning/semi-supervised-xgboost
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.
- Градiєнтний бустингМашинне навчання↔ compare
- Label PropagationМашинне навчання↔ compare
- Випадковий лісМашинне навчання↔ compare
- XGBoostМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →