Gausa sadalījuma maisījuma aktīvā apguve (Active Learning Gaussian Mixture Model)
Gausa sadalījuma maisījuma aktīvā apguve (Active Learning Gaussian Mixture Model) apvieno iteratīvu vaicājumu stratēģiju ar Gausa sadalījuma maisījuma (GMM) apguvēju. Algoritms atlasa informatīvākos nenosauktos punktus — parasti tos ar visaugstāko prognozes nenoteiktību — nodod tos orāklim nosaukšanai un atkārtoti pielāgo GMM, izmantojot EM (Expectation-Maximization) uz augošā nosaukto datu kopas. Rezultātā tiek iegūts blīvuma modelis, kas atbilst pilnu datu kvalitātei, prasot krietni mazāk nosauktu piemēru.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/lv/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.
- Aktīvās apguves Gausa processMašīnmācīšanās↔ compare
- Beiziešu Gausa maisījuma modelisMašīnmācīšanās↔ compare
- Pusuzraudzības Gausa maisījuma modelisMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →