Активно обучение с Гаусов процес
Активното обучение с Гаусов процес (GP-AL) комбинира вероятностен модел на Гаусов процес с стратегия за избор на заявки при активно обучение, използвайки апостериорната неопределеност на GP, за да избере най-информативните немаркирани примери за маркиране. Този итеративен подход минимизира усилията за маркиране, като същевременно максимизира точността на прогнозиране, което го прави идеален, когато маркираните данни са оскъдни или скъпи за получаване.
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
- MacKay, D. J. C. (1992). Information-based objective functions for active data selection. Neural Computation, 4(4), 590–604. DOI: 10.1162/neco.1992.4.4.590 ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/bg/machine-learning/active-learning-gaussian-process
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 обучениеМашинно обучение↔ compare
- Байесов Гаусов ПроцесМашинно обучение↔ compare
- Гаусов процесМашинно обучение↔ compare
- Полу-наблюдаван Гаусов процесМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →