مدل ترکیبی گوسی یادگیری فعال
مدل ترکیبی گوسی یادگیری فعال (Active Learning Gaussian Mixture Model) یک استراتژی پرسوجوی تکراری را با یک یادگیرنده مدل ترکیبی گوسی ترکیب میکند. این الگوریتم، نقاط برچسبنخوردهای را که بیشترین اطلاعات را دارند — معمولاً آنهایی که بیشترین عدم قطعیت پیشبینی را دارند — انتخاب کرده، آنها را برای برچسبزنی به یک اوراکل ارائه میدهد و مدل ترکیبی گوسی (GMM) را با استفاده از الگوریتم امید-بیشینه (EM) بر روی مجموعه در حال رشد دادههای برچسبدار، دوباره برازش میکند. نتیجه، یک مدل چگالی است که با کیفیت دادههای کامل مطابقت دارد و در عین حال به تعداد بسیار کمتری نمونه برچسبدار نیاز دارد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/fa/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.
- یادگیری فعال فرایند گوسی (GP-AL)یادگیری ماشین↔ compare
- مدل مخلوط گوسی بیزییادگیری ماشین↔ compare
- مدل مخلوط گوسی نیمهنظارتییادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →