Aktiivisen oppimisen Gaussin prosessi
Aktiivisen oppimisen Gaussin prosessi (GP-AL) yhdistää Gaussin prosessin todennäköisyysmallin aktiivisen oppimisen kyselystrategiaan käyttäen GP:n posteriorista epävarmuutta valitsemaan informatiivisimmat merkitsemättömät esimerkit merkintää varten. Tämä iteratiivinen lähestymistapa minimoi merkintätyön maksimoiden samalla ennustetarkkuuden, mikä tekee siitä ihanteellisen, kun merkittyä dataa on vähän tai sen hankkiminen on kallista.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- MacKay, D. J. C. (1992). Information-based objective functions for active data selection. Neural Computation, 4(4), 590–604. DOI: 10.1162/neco.1992.4.4.590 ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/fi/machine-learning/active-learning-gaussian-process
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.
- Aktiivinen oppiminenKoneoppiminen↔ compare
- Bayesiläinen Gaussin prosessiKoneoppiminen↔ compare
- Gaussinen prosessiKoneoppiminen↔ compare
- Puolivalvottu Gaussin prosessiKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →