Poloučený Gaussovský proces
Polopřevážně učící se Gaussovský proces (Semi-supervised Gaussian Process) rozšiřuje pravděpodobnostní rámec GP tak, aby využíval neoznačená data spolu s malou množinou označených pozorování. Umístěním GP prior nad funkcemi a využitím geometrické struktury odhalené neoznačenými vstupy se učí přesnější a lépe kalibrované prediktory než čistě převažující GP, když jsou označení vzácná, což jej činí vhodným pro vědecké a medicínské problémy, kde je anotace nákladná.
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
- Lawrence, N. D., & Jordan, M. I. (2004). Semi-supervised learning via Gaussian processes. In Advances in Neural Information Processing Systems (NIPS), 17, 753–760. MIT Press. link ↗
- Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/cs/machine-learning/semi-supervised-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.
- Bayesovský Gaussovský procesStrojové učení↔ compare
- Gaussovský procesStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- Semi-supervised Random ForestStrojové učení↔ compare
- Polopřeváděné podpůrné vektory (Semi-supervised Support Vector Machine)Strojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →