Módszerek összehasonlítása
Tekintse át a kiválasztott módszereket egymás mellett; az eltérő sorok kiemelve jelennek meg.
| Félfelügyelt Gauss-keverék modell× | Félfelügyelt tanulás× | |
|---|---|---|
| Tudományterület | Gépi tanulás | Gépi tanulás |
| Módszercsalád | Machine learning | Machine learning |
| Keletkezés éve≠ | 2000 | 1970s–2006 (formalized) |
| Megalkotó≠ | Nigam, K.; McCallum, A. K.; Thrun, S.; Mitchell, T. | Vapnik, V. N. and others (community of researchers, 1970s–2000s) |
| Típus≠ | Generative semi-supervised classifier | Learning paradigm |
| Alapmű≠ | Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9 | Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9 |
| Alternatív nevek | SS-GMM, semi-supervised GMM, partially labeled Gaussian mixture model, generative semi-supervised classifier | SSL, semi-supervised machine learning, transductive learning, label-efficient learning |
| Kapcsolódó≠ | 3 | 5 |
| Összefoglaló≠ | The Semi-supervised Gaussian Mixture Model (SS-GMM) is a generative probabilistic classifier that fits a Gaussian mixture to both labeled and unlabeled data using the Expectation-Maximization algorithm. Labeled points constrain component assignments while unlabeled points improve density estimates, enabling effective learning when annotations are scarce. | Semi-supervised learning (SSL) is a machine learning paradigm that trains models using a small set of labeled examples together with a much larger pool of unlabeled data. By leveraging the structure inherent in unlabeled data, SSL achieves accuracy closer to fully supervised models while requiring far fewer costly manual labels — making it practical when labeling is expensive, slow, or resource-constrained. |
| ScholarGateAdatkészlet ↗ |
|
|