Machine learningMachine learning
מודל גאוסיאני מעורב למחצה מפוקח
מודל גאוסיאני מעורב למחצה מפוקח (SS-GMM) הוא מסווג הסתברותי יוצר המתאים תערובת גאוסיאנית לנתונים מתויגים ולא מתויגים כאחד, תוך שימוש באלגוריתם הציפייה-מקסימיזציה. נקודות מתויגות מגבילות את הקצאות הרכיבים, בעוד שנקודות לא מתויגות משפרות אומדני צפיפות, ומאפשרות למידה יעילה כאשר התיוגים נדירים.
קראו את השיטה במלואה
לחברים בלבד
התחברותהתחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Semi-supervised Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/he/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.
- אלגוריתם התפשטות התוויות (Label Propagation)למידת מכונה↔ compare
- למידה מונחית-למחצהלמידת מכונה↔ compare
- מפענח אוטומטי וריאציונילמידה עמוקה↔ compare