Beijesiskā daļēji uzraudzītā apguve
Beijesiskā daļēji uzraudzītā apguve ir probabisks ietvars, kas izmanto gan nelielu marķētu datu kopu, gan lielāku neapzīmētu novērojumu kopu, lai inferētu modeļa parametrus un veiktu prognozes. Attiecinot trūkstošos marķējumus kā slēptās (latentās) mainīgās un nosakot prioritātes parametriem, tā dabiski kvantificē nenoteiktību, vienlaikus izmantojot neapzīmētos datus vispārinājuma uzlabošanai.
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
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Semi-supervised Learning (Probabilistic Inference with Labeled and Unlabeled Data). ScholarGate. https://scholargate.app/lv/machine-learning/bayesian-semi-supervised-learning
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.
- Beiziešu aktīvā mācīšanāsMašīnmācīšanās↔ compare
- Beiziešu Gausa maisījuma modelisMašīnmācīšanās↔ compare
- Mācīšanās ar maziem paraugu skaituMašīnmācīšanās↔ compare
- Gausa processMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →