Aktives Lernen mit Gauß-Prozessen
Aktives Lernen mit Gauß-Prozessen (GP-AL) kombiniert ein probabilistisches Gauß-Prozess-Modell mit einer Abfragestrategie für aktives Lernen, wobei die Unsicherheit der Posterior-Verteilung des GP genutzt wird, um die informativsten unbeschrifteten Beispiele zur Beschriftung auszuwählen. Dieser iterative Ansatz minimiert den Beschriftungsaufwand und maximiert gleichzeitig die Vorhersagegenauigkeit, was ihn ideal macht, wenn beschriftete Daten knapp oder teuer zu beschaffen sind.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/de/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.
- Aktives LernenMaschinelles Lernen↔ compare
- Bayesian Gaussian ProcessMaschinelles Lernen↔ compare
- Gauß-ProzessMaschinelles Lernen↔ compare
- Semi-supervised Gaussian ProcessMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →