Bayesiansk semi-superviseret læring
Bayesiansk semi-superviseret læring er et probabilistisk rammeværk, der anvender både et lille mærket datasæt og en større pulje af umærkede observationer til at inferere modelparametre og foretage forudsigelser. Ved at behandle manglende mærker som latente variable og placere priore for parametre kvantificerer det naturligt usikkerhed, samtidig med at det udnytter umærkede data til at forbedre generalisering.
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
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bayesian Semi-supervised Learning (Probabilistic Inference with Labeled and Unlabeled Data). ScholarGate. https://scholargate.app/da/machine-learning/bayesian-semi-supervised-learning
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.
- Bayesiansk aktiv læringMaskinlæring↔ compare
- Bayesiansk Gaussisk Blanding (Bayesian Gaussian Mixture Model)Maskinlæring↔ compare
- Few-shot LearningMaskinlæring↔ compare
- Gaussisk procesMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
- OverførselslæringMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →