Processus Gaussien semi-supervisé
Le processus Gaussien semi-supervisé étend le cadre probabiliste des processus Gaussiens pour exploiter des données non étiquetées aux côtés d'un petit ensemble d'observations étiquetées. En plaçant un prior de processus Gaussien sur les fonctions et en exploitant la structure géométrique révélée par les entrées non étiquetées, il apprend des prédicteurs plus précis et mieux calibrés qu'un processus Gaussien purement supervisé lorsque les étiquettes sont rares, ce qui le rend bien adapté aux problèmes scientifiques et médicaux où l'annotation est coûteuse.
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
- Lawrence, N. D., & Jordan, M. I. (2004). Semi-supervised learning via Gaussian processes. In Advances in Neural Information Processing Systems (NIPS), 17, 753–760. MIT Press. link ↗
- Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/fr/machine-learning/semi-supervised-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.
- Processus Gaussien BayésienApprentissage automatique↔ compare
- Processus GaussienApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Forêt aléatoire semi-superviséeApprentissage automatique↔ compare
- Machine à vecteurs de support semi-superviséeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →