Semi-supervised Gaussian Mixture Model
Den semi-superviserte Gaussiske blandingsmodellen (SS-GMM) er en generativ probabilistisk klassifikator som tilpasser en Gaussisk blanding til både merkede og umerkede data ved hjelp av Expectation-Maximization-algoritmen. Merkede punkter begrenser komponenttilordninger, mens umerkede punkter forbedrer tetthetsestimater, noe som muliggjør effektiv læring når annoteringer er knappe.
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
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
- Nigam, K., McCallum, A. K., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39(2-3), 103-134. DOI: 10.1023/A:1007692713085 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Semi-supervised Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/no/machine-learning/semi-supervised-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.
- Label PropagationMaskinlæring↔ compare
- Semiveiledet læringMaskinlæring↔ compare
- VariasjonsautoenkoderDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →