Aktív Tanulás Gauss-i Elegy Modellt
Az Aktív Tanulás Gauss-i Elegy Modell egy iteratív lekérdezési stratégiát kombinál egy Gauss-i Elegy Modell tanulóval. Az algoritmus kiválasztja a leginformatívabb címkézetlen pontokat – tipikusan azokat, amelyek a legnagyobb prediktív bizonytalansággal rendelkeznek –, egy orákulum elé tárja őket címkézés céljából, és az EM algoritmussal újrailleszti a GMM-et a növekvő címkézett halmazon. Az eredmény egy denzitásmodell, amely teljes adathalmaz minőségét éri el, miközben lényegesen kevesebb címkézett példányt igényel.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Zhu, X., Ghahramani, Z., & Lafferty, J. (2003). Semi-supervised learning using Gaussian fields and harmonic functions. Proceedings of the 20th International Conference on Machine Learning (ICML), 912–919. link ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool Publishers. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/hu/machine-learning/active-learning-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.
- Aktív Tanulás Gaussziánus FolyamatGépi tanulás↔ compare
- Bayes-féle Gauss-keverék modellGépi tanulás↔ compare
- Félfelügyelt Gauss-keverék modellGépi tanulás↔ compare
- Félfelügyelt tanulásGépi tanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →