Pembelajaran Aktif Model Gaussian Campuran
Model Gaussian Campuran Aktif menggabungkan strategi kueri iteratif dengan pembelajar Model Gaussian Campuran. Algoritma ini memilih titik tak berlabel yang paling informatif — biasanya yang memiliki ketidakpastian prediksi tertinggi — menyajikannya kepada oracle untuk diberi label, dan memasang kembali GMM menggunakan EM pada kumpulan data berlabel yang terus bertambah. Hasilnya adalah model kepadatan yang menyamai kualitas data penuh sambil membutuhkan contoh berlabel yang jauh lebih sedikit.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/id/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.
- Pembelajaran Aktif Gaussian ProcessPembelajaran Mesin↔ compare
- Model Campuran Gaussian BayesianPembelajaran Mesin↔ compare
- Model Gaussian Campuran Semi-TerawasiPembelajaran Mesin↔ compare
- Pembelajaran Semi-terawasiPembelajaran Mesin↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →