Modelo de Mezcla Gaussiana Semi-supervisado
El Modelo de Mezcla Gaussiana Semi-supervisado (SS-GMM) es un clasificador probabilístico generativo que ajusta una mezcla gaussiana a datos etiquetados y no etiquetados utilizando el algoritmo de Expectation-Maximization. Los puntos etiquetados restringen las asignaciones de componentes, mientras que los puntos no etiquetados mejoran las estimaciones de densidad, permitiendo un aprendizaje efectivo cuando las anotaciones son escasas.
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
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Semi-supervised Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/es/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.
- Propagación de EtiquetasAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
- Autoencoder VariacionalAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →