Actief Leren Gaussisch Proces
Actief Leren Gaussisch Proces (GP-AL) combineert een probabilistisch Gaussisch procesmodel met een querystrategie voor actief leren, waarbij de posterior onzekerheid van de GP wordt gebruikt om de meest informatieve ongelabelde voorbeelden te selecteren voor annotatie. Deze iteratieve aanpak minimaliseert de annotatie-inspanning en maximaliseert tegelijkertijd de voorspellende nauwkeurigheid, waardoor het ideaal is wanneer gelabelde gegevens schaars of duur zijn om te verkrijgen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/nl/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.
- Actief LerenMachine learning↔ compare
- Bayesian Gaussische ProcesMachine learning↔ compare
- Gaussiaans ProcesMachine learning↔ compare
- Semi-supervised Gaussian ProcessMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →