Aktives Lernen mit Gaußschen Mischmodellen
Aktives Lernen mit Gaußschen Mischmodellen kombiniert eine iterative Abfragestrategie mit einem Gaußschen Mischmodell-Lerner. Der Algorithmus wählt die informativsten unbeschrifteten Punkte aus – typischerweise diejenigen mit der höchsten prädiktiven Unsicherheit –, legt sie einem Orakel zur Beschriftung vor und passt das GMM mit EM auf dem wachsenden beschrifteten Datensatz neu an. Das Ergebnis ist ein Dichtemodell, das die Qualität von Voll-Daten erreicht, aber weitaus weniger beschriftete Beispiele benötigt.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/de/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.
- Aktives Lernen mit Gauß-ProzessenMaschinelles Lernen↔ compare
- Bayessches Gaußsches MischmodellMaschinelles Lernen↔ compare
- Halb-überwachtes Gaußsches MischmodellMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →