Aktīvās apguves Gausa process
Aktīvās apguves Gausa process (GP-AL) apvieno Gausa procesa varbūtības modeli ar aktīvās apguves vaicājumu stratēģiju, izmantojot GP posterioro nenoteiktību, lai izvēlētos informatīvākos nenosauktos piemērus marķēšanai. Šī iteratīvā pieeja samazina marķēšanas pūles, vienlaikus maksimizējot prognozēšanas precizitāti, padarot to ideāli piemērotu, ja marķēti dati ir maz vai dārgi iegūstami.
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
- MacKay, D. J. C. (1992). Information-based objective functions for active data selection. Neural Computation, 4(4), 590–604. DOI: 10.1162/neco.1992.4.4.590 ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/lv/machine-learning/active-learning-gaussian-process
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.
- Aktīvā mācīšanāsMašīnmācīšanās↔ compare
- Beijes Gaussian processMašīnmācīšanās↔ compare
- Gausa processMašīnmācīšanās↔ compare
- Daļēji uzraudzīts Gausa processMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →