Modelo de Mezcla Gaussiana con Aprendizaje Activo
El Modelo de Mezcla Gaussiana con Aprendizaje Activo combina una estrategia de consulta iterativa con un modelo de Mezcla Gaussiana. El algoritmo selecciona los puntos no etiquetados más informativos — típicamente aquellos con la mayor incertidumbre predictiva — los presenta a un oráculo para su etiquetado y reajusta la GMM usando EM sobre el conjunto etiquetado en crecimiento. El resultado es un modelo de densidad que iguala la calidad de los datos completos requiriendo muchos menos ejemplos etiquetados.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/es/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.
- Proceso Gaussiano de Aprendizaje ActivoAprendizaje automático↔ compare
- Modelo Bayesiano de Mezclas GaussianasAprendizaje automático↔ compare
- Modelo de Mezcla Gaussiana Semi-supervisadoAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →