مدل مخلوط گوسی نیمهنظارتی
مدل مخلوط گوسی نیمهنظارتی (SS-GMM) یک طبقهبندیکننده احتمالی مولد است که با استفاده از الگوریتم امید ریاضی-حداکثرسازی (Expectation-Maximization)، یک مخلوط گوسی را هم بر دادههای برچسبدار و هم بر دادههای بدون برچسب برازش میدهد. نقاط برچسبدار تخصیص مؤلفهها را محدود میکنند، در حالی که نقاط بدون برچسب تخمینهای چگالی را بهبود میبخشند و امکان یادگیری مؤثر را در شرایطی که حاشیهنویسیها کمیاب هستند، فراهم میآورند.
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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Semi-supervised Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/fa/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.
- انتشار برچسب (Label Propagation)یادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
- Variational Autoencoderیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →