Modèle gaussien de mélange semi-supervisé
Le Modèle Gaussien de Mélange Semi-Supervisé (SS-GMM) est un classifieur probabiliste génératif qui ajuste un mélange gaussien aux données étiquetées et non étiquetées à l'aide de l'algorithme Espérance-Maximisation. Les points étiquetés contraignent les affectations de composantes, tandis que les points non étiquetés améliorent les estimations de densité, permettant un apprentissage efficace lorsque les annotations sont rares.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/fr/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.
- Propagation d'étiquettesApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Autoencodeur VariationnelApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →