Aktiv læring Gaussisk blandingsmodell
Aktiv læring Gaussisk blandingsmodell kombinerer en iterativ spørringsstrategi med en Gaussisk blandingsmodell-lærer. Algoritmen velger de mest informative umerkede punktene — typisk de med høyest prediktiv usikkerhet — presenterer dem for en orakel for merking, og tilpasser GMM på nytt ved bruk av EM på det voksende merkede settet. Resultatet er en tetthetsmodell som matcher full-data kvalitet, samtidig som den krever langt færre merkede eksempler.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/no/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.
- Aktiv læring med Gaussiske prosesserMaskinlæring↔ compare
- Bayesiansk Gaussisk BlandingsmodellMaskinlæring↔ compare
- Semi-supervised Gaussian Mixture ModelMaskinlæring↔ compare
- Semiveiledet læringMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →