Halb-überwachtes Gaußsches Mischmodell
Das halb-überwachte Gaußsche Mischmodell (SS-GMM) ist ein generativer probabilistischer Klassifikator, der ein Gaußsches Gemisch an beschriftete und unbeschriftete Daten mittels des Erwartungsmaximierungsalgorithmus anpasst. Beschriftete Punkte schränken Komponenten-Zuweisungen ein, während unbeschriftete Punkte Dichteschätzungen verbessern und so effektives Lernen ermöglichen, wenn Annotationen spärlich sind.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/de/machine-learning/semi-supervised-gaussian-mixture-model
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Label PropagationMaschinelles Lernen↔ vergleichen
- Semi-Supervised LearningMaschinelles Lernen↔ vergleichen
- Variationaler AutoencoderDeep Learning↔ vergleichen
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →