Semi-supervised Gaussian Process
Semi-supervised Gaussian Process erweitert den probabilistischen GP-Rahmen, um unbeschriftete Daten neben einer kleinen Menge beschrifteter Beobachtungen zu nutzen. Durch das Platzieren eines GP-Priors über Funktionen und die Nutzung der geometrischen Struktur, die durch unbeschriftete Eingaben enthüllt wird, lernt er genauere und besser kalibrierte Prädiktoren als ein rein überwachter GP, wenn Beschriftungen knapp sind, was ihn gut für wissenschaftliche und medizinische Probleme geeignet macht, bei denen die Annotation teuer ist.
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
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/de/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.
- Bayesian Gaussian ProcessMaschinelles Lernen↔ compare
- Gauß-ProzessMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Semi-supervised Random ForestMaschinelles Lernen↔ compare
- Halb-überwachte Support Vector MachineMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →