Model Campuran Gaussian Pembelajaran Aktif
Model Campuran Gaussian Pembelajaran Aktif menggabungkan strategi pertanyaan berulang dengan pembelajar Model Campuran Gaussian. Algoritma ini memilih titik-titik tak berlabel yang paling informatif — biasanya yang memiliki ketidakpastian prediktif tertinggi — menyajikannya kepada oracle untuk pelabelan, dan menyesuaikan kembali GMM menggunakan EM pada set berlabel yang terus bertambah. Hasilnya adalah model kepadatan yang sesuai dengan kualitas data penuh sambil membutuhkan contoh berlabel yang jauh lebih sedikit.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/ms/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.
- Proses Gaussian Pembelajaran AktifPembelajaran Mesin↔ compare
- Model Campuran Gaussian BayesianPembelajaran Mesin↔ compare
- Model Campuran Gaussian Separa TerawasPembelajaran Mesin↔ compare
- Pembelajaran Separa SeliaPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →