Ενεργή Μάθηση με Γκαουσιανά Μοντέλα Μιγαδοειδών
Το Active Learning Gaussian Mixture Model συνδυάζει μια επαναληπτική στρατηγική ερωτήσεων με έναν εκπαιδευτή Γκαουσιανών Μοντέλων Μιγαδοειδών (Gaussian Mixture Model - GMM). Ο αλγόριθμος επιλέγει τα πιο πληροφοριακά μη επισημασμένα σημεία — τυπικά αυτά με την υψηλότερη προβλεπτική αβεβαιότητα — τα παρουσιάζει σε έναν οραματιστή για επισήμανση και επαναπροσαρμόζει το GMM χρησιμοποιώντας τον αλγόριθμο EM (Expectation-Maximization) στο αυξανόμενο επισημασμένο σύνολο. Το αποτέλεσμα είναι ένα μοντέλο πυκνότητας που επιτυγχάνει ποιότητα αντίστοιχη με πλήρη δεδομένα, απαιτώντας όμως πολύ λιγότερα επισημασμένα παραδείγματα.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/el/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.
- Ενεργή Μάθηση με Γκαουσιανή ΔιαδικασίαΜηχανική Μάθηση↔ compare
- Μοντέλο Μίγματος Γκαουσιανών BayesΜηχανική Μάθηση↔ compare
- Ημι-επιβλεπόμενο Γκαουσιανό Μοντέλο ΣυρροήςΜηχανική Μάθηση↔ compare
- Ημι-επιβλεπόμενη ΜάθησηΜηχανική Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →