Aktiivisen oppimisen Gaussin seos-malli
Aktiivisen oppimisen Gaussin seos-malli (Active Learning Gaussian Mixture Model, AL-GMM) yhdistää iteratiivisen kyselystrategian Gaussin seos-malli -oppijaan. Algoritmi valitsee informatiivisimmat merkitsemättömät pisteet – tyypillisesti ne, joilla on suurin ennustava epävarmuus – esittää ne oraakkelille merkittäväksi ja sovittaa GMM:n uudelleen EM-algoritmilla kasvavaan merkittyyn joukkoon. Tuloksena on tiheys-malli, joka vastaa täyden datan laatua, mutta vaatii huomattavasti vähemmän merkittyjä esimerkkejä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/fi/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.
- Aktiivisen oppimisen Gaussin prosessiKoneoppiminen↔ compare
- Bayesiläinen Gaussinen sekoitusmalliKoneoppiminen↔ compare
- Puolivalvottu Gaussinen sekoitusmalliKoneoppiminen↔ compare
- Puoliohjattu oppiminenKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →