Aktiv læring Gaussisk proces
Aktiv læring Gaussisk proces (GP-AL) kombinerer en Gaussisk proces probabilistisk model med en aktiv lærings-forespørgselsstrategi, der bruger GP'ens posterior usikkerhed til at udvælge de mest informative umærkede eksempler til mærkning. Denne iterative tilgang minimerer mærkningsindsatsen, mens den maksimerer prædiktiv nøjagtighed, hvilket gør den ideel, når mærkede data er knappe eller dyre at opnå.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/da/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.
- Aktiv læringMaskinlæring↔ compare
- Bayesiansk Gaussisk ProcesMaskinlæring↔ compare
- Gaussisk procesMaskinlæring↔ compare
- Semi-supervised Gaussisk ProcesMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →