Semi-supervised Gaussian Mixture Model
Semi-supervised Gaussian Mixture Model (SS-GMM) er en generativ probabilistisk klassifikator, der tilpasser en Gaussisk blanding til både mærkede og umærkede data ved hjælp af Expectation-Maximization-algoritmen. Mærkede punkter begrænser komponenttildelinger, mens umærkede punkter forbedrer densitetsskøn, hvilket muliggør effektiv læring, når annotationer er knappe.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/da/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.
- Label PropagationMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
- Variational AutoencoderDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →