Aktiv Læring Gaussisk Blandingsmodel
Aktiv Læring Gaussisk Blandingsmodel kombinerer en iterativ forespørgselsstrategi med en Gaussisk Blandingsmodel-lærer. Algoritmen vælger de mest informative umærkede punkter — typisk dem med den højeste forudsigelsesmæssige usikkerhed — præsenterer dem for en orakel til mærkning og genfitter GMM'en ved hjælp af EM på det voksende mærkede datasæt. Resultatet er en densitetsmodel, der matcher fulddatasæt-kvalitet, mens den kræver langt færre mærkede eksempler.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/da/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.
- Aktiv læring Gaussisk procesMaskinlæring↔ compare
- Bayesiansk Gaussisk Blanding (Bayesian Gaussian Mixture Model)Maskinlæring↔ compare
- Semi-supervised Gaussian Mixture ModelMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →