Aktywny Uczący się Model Mieszanin Gaussowskich
Aktywny Uczący się Model Mieszanin Gaussowskich (Active Learning Gaussian Mixture Model) łączy iteracyjną strategię zapytań z modelem mieszanin Gaussowskich (Gaussian Mixture Model – GMM). Algorytm wybiera najbardziej informatywne nieoznakowane punkty – zazwyczaj te o najwyższej niepewności predykcyjnej – przedstawia je oraklowi do oznakowania, a następnie ponownie dopasowuje GMM przy użyciu algorytmu EM (Expectation-Maximization) na rosnącym zbiorze oznakowanych danych. Wynikiem jest model gęstości, który dorównuje jakością modelowi wytrenowanemu na wszystkich danych, wymagając przy tym znacznie mniej oznakowanych przykładów.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/pl/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.
- Aktywne uczenie z procesem GaussaUczenie maszynowe↔ compare
- Bayesowski model mieszaniny rozkładów GaussaUczenie maszynowe↔ compare
- Półnadzorowany model mieszanin GaussaUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →