Polo-přidružený Gaussovský směsný model
Polo-přidružený Gaussovský směsný model (SS-GMM) je generativní pravděpodobnostní klasifikátor, který přizpůsobuje Gaussovský směsný model označeným i neoznačeným datům pomocí algoritmu očekávání-maximalizace. Označené body omezují přiřazení komponent, zatímco neoznačené body zlepšují odhady hustoty, což umožňuje efektivní učení, když jsou anotace vzácné.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
- Nigam, K., McCallum, A. K., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39(2-3), 103-134. DOI: 10.1023/A:1007692713085 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/cs/machine-learning/semi-supervised-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.
- Propagace popiskůStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- Variační autoenkodérHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →