Semi-supervised Gaussisk Proces
Semi-supervised Gaussisk Proces udvider den probabilistiske GP-ramme til at udnytte uannoterede data sammen med et lille sæt annoterede observationer. Ved at placere en GP-prior over funktioner og udnytte den geometriske struktur, der afsløres af uannoterede input, lærer den mere nøjagtige og bedre kalibrerede prædiktorer end en rent superviseret GP, når annoteringer er knappe, hvilket gør den velegnet til videnskabelige og medicinske problemer, hvor annotering er dyr.
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
- 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
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/da/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.
- Bayesiansk Gaussisk ProcesMaskinlæring↔ compare
- Gaussisk procesMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
- Semi-supervised Random ForestMaskinlæring↔ compare
- Semi-supervised Support Vector MachineMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →