Pooljuhendatud Gaussi mudel
Kujutage ette, et teil on mõned märgistatud näited ja palju märgistamata. Puhtalt juhendatud mudel ignoreerib märgistamata andmeid täielikult; puhas klastrite moodustamine ignoreerib teie märgiseid. SS-GMM leiab kesktee: see modelleerib andmeid Gaussi klastrite seguna, lukustab märgistatud punktid nende õigesse komponenti ja laseb märgistamata punktidel tõenäosuslikult komponentide vahel liikuda. EM-i iteratsioonid jätkavad Gausside nihutamist, et paremini kirjeldada kogu andmepilve, nii et vähesed märgised levivad märgistamata enamusele läbi jagatud tihedusstruktuuri.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Semi-supervised Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/et/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.
- Siltide levitamineMasinõpe↔ compare
- Poolitatud järelevalvega õppimineMasinõpe↔ compare
- Variational AutoencoderSüvaõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →