Modelo Gaussiano de Mistura com Aprendizado Ativo
O Modelo Gaussiano de Mistura com Aprendizado Ativo combina uma estratégia iterativa de consulta com um modelo Gaussiano de Mistura (GMM). O algoritmo seleciona os pontos não rotulados mais informativos — tipicamente aqueles com maior incerteza preditiva — os apresenta a um oráculo para rotulação e reajusta o GMM usando o algoritmo EM (Expectation-Maximization) no conjunto rotulado crescente. O resultado é um modelo de densidade que atinge qualidade de dados completos, exigindo significativamente menos exemplos rotulados.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/pt/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.
- Active Learning Gaussian ProcessAprendizado de máquina↔ compare
- Modelo de Mistura Gaussiana BayesianaAprendizado de máquina↔ compare
- Modelo Gaussiano de Mistura Semi-supervisionadoAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →