Gaussowski proces półnadzorowany
Gaussowski proces półnadzorowany rozszerza probabilistyczny model GP, wykorzystując dane nieetykietowane obok niewielkiego zbioru obserwacji etykietowanych. Poprzez umieszczenie priora GP na funkcjach i wykorzystanie struktury geometrycznej ujawnionej przez nieetykietowane dane wejściowe, uczy się on dokładniejszych i lepiej skalibrowanych predyktorów niż czysto nadzorowany GP, gdy etykiety są rzadkie, co czyni go dobrze dopasowanym do problemów naukowych i medycznych, gdzie anotacja jest kosztowna.
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
- Lawrence, N. D., & Jordan, M. I. (2004). Semi-supervised learning via Gaussian processes. In Advances in Neural Information Processing Systems (NIPS), 17, 753–760. MIT Press. link ↗
- Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/pl/machine-learning/semi-supervised-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.
- Bayesowskie procesy GaussaUczenie maszynowe↔ compare
- Proces GaussaUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
- Półnadzorowany las losowyUczenie maszynowe↔ compare
- Półnadzorowana maszyna wektorów nośnychUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →