Gaussian Process Separuh Selia
Gaussian Process Separuh Selia (Semi-supervised Gaussian Process - SSGP) melanjutkan rangka kerja kebarangkalian GP untuk memanfaatkan data tidak berlabel bersama dengan sejumlah kecil pemerhatian berlabel. Dengan meletakkan prior GP ke atas fungsi dan memanfaatkan struktur geometri yang didedahkan oleh input tidak berlabel, ia mempelajari prediktor yang lebih tepat dan terkalibrasi dengan lebih baik daripada GP yang diselia semata-mata apabila label jarang ditemui, menjadikannya sangat sesuai untuk masalah saintifik dan perubatan di mana anotasi mahal.
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
- Lawrence, N. D., & Jordan, M. I. (2004). Semi-supervised learning via Gaussian processes. In Advances in Neural Information Processing Systems (NIPS), 17, 753–760. MIT Press. link ↗
- Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
Cara memetik halaman ini
ScholarGate. (2026, June 3). Semi-supervised Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/ms/machine-learning/semi-supervised-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.
- Proses Gaussian BayesianPembelajaran Mesin↔ compare
- Gaussian ProcessPembelajaran Mesin↔ compare
- Pembelajaran Separa SeliaPembelajaran Mesin↔ compare
- Semi-supervised Random ForestPembelajaran Mesin↔ compare
- Mesin Vektor Sokongan Separa-SeliaanPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →