Активно обучение с Гаусов смесен модел
Активното обучение с Гаусов смесен модел (GMM) комбинира итеративна стратегия за заявки с обучител от типа Гаусов смесен модел. Алгоритъмът избира най-информативните немаркирани точки — обикновено тези с най-висока предсказваща несигурност — представя ги на оракул за маркиране и преобучава GMM с помощта на EM върху нарастващия маркиран набор. Резултатът е модел на плътност, който постига качество, сравнимо с пълни данни, като същевременно изисква значително по-малко маркирани примери.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Zhu, X., Ghahramani, Z., & Lafferty, J. (2003). Semi-supervised learning using Gaussian fields and harmonic functions. Proceedings of the 20th International Conference on Machine Learning (ICML), 912–919. link ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool Publishers. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/bg/machine-learning/active-learning-gaussian-mixture-model
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.
- Активно обучение с Гаусов процесМашинно обучение↔ compare
- Байесов модел на Гаусови смесиМашинно обучение↔ compare
- Полу-наблюдаван Гаусов смесен моделМашинно обучение↔ compare
- Полу-наблюдавано обучениеМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →