Aktiivse õppe Gaussi segumudel
Aktiivse õppe Gaussi segumudel (Active Learning Gaussian Mixture Model) ühendab iteratiivse päringustrateegia Gaussi segumudeliga (GMM). Algoritm valib kõige informatiivsemad märgistamata punktid – tavaliselt need, millel on kõrgeim ennustuslik ebakindlus –, esitab need oraklile märgistamiseks ja kohandab GMM-i uuesti EM-algoritmi abil kasvaval märgistatud andmehulgaga. Tulemuseks on tihedusmudel, mis vastab täieliku andmehulgaga saavutatavale kvaliteedile, kuid vajab oluliselt vähem märgistatud näiteid.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/et/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.
- Aktiivne õppimine Gaussi protsessigaMasinõpe↔ compare
- Bayesian Gaussian Mixture ModelMasinõpe↔ compare
- Pooljuhendatud Gaussi mudelMasinõpe↔ compare
- Poolitatud järelevalvega õppimineMasinõpe↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →