Ημι-επιβλεπόμενο Γκαουσιανό Μοντέλο Συρροής
Το Ημι-επιβλεπόμενο Γκαουσιανό Μοντέλο Συρροής (SS-GMM) είναι ένας παραγωγικός πιθανοτικός ταξινομητής που προσαρμόζει ένα Γκαουσιανό μοντέλο συρροής τόσο σε επισημασμένα όσο και σε μη επισημασμένα δεδομένα, χρησιμοποιώντας τον αλγόριθμο Αναμενόμενης-Μέγιστης (Expectation-Maximization). Τα επισημασμένα σημεία περιορίζουν τις αναθέσεις συστατικών, ενώ τα μη επισημασμένα σημεία βελτιώνουν τις εκτιμήσεις πυκνότητας, επιτρέποντας αποτελεσματική μάθηση όταν οι επισημάνσεις είναι σπάνιες.
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
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Semi-supervised Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/el/machine-learning/semi-supervised-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.
- Διάδοση ΕτικετώνΜηχανική Μάθηση↔ compare
- Ημι-επιβλεπόμενη ΜάθησηΜηχανική Μάθηση↔ compare
- Variational AutoencoderΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →