Półnadzorowany model mieszanin Gaussa
Półnadzorowany model mieszanin Gaussa (SS-GMM) to generatywny probabilistyczny klasyfikator, który dopasowuje mieszaninę Gaussa zarówno do danych oznakowanych, jak i nieoznakowanych, wykorzystując algorytm oczekiwania-maksymalizacji. Oznakowane punkty ograniczają przypisania komponentów, podczas gdy nieoznakowane punkty poprawiają estymację gęstości, umożliwiając efektywne uczenie się, gdy adnotacje są rzadkie.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/pl/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.
- Propagacja etykietUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
- Autoenkoder wariacyjnyUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →