Modello Gaussiano Mixture Semi-supervisionato
Il Modello Gaussiano Mixture Semi-supervisionato (SS-GMM) è un classificatore probabilistico generativo che adatta un mixture gaussiano a dati sia etichettati che non etichettati utilizzando l'algoritmo Expectation-Maximization. I punti etichettati vincolano le assegnazioni delle componenti, mentre i punti non etichettati migliorano le stime di densità, consentendo un apprendimento efficace quando le annotazioni sono scarse.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Semi-supervised Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/it/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.
- Label PropagationApprendimento automatico↔ compare
- Apprendimento semi-supervisionatoApprendimento automatico↔ compare
- Variational AutoencoderApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →