Modelo Gaussiano de Mistura Semi-supervisionado
O Modelo Gaussiano de Mistura Semi-supervisionado (SS-GMM) é um classificador probabilístico generativo que ajusta uma mistura Gaussiana a dados rotulados e não rotulados usando o algoritmo de Expectation-Maximization. Pontos rotulados restringem as atribuições de componentes, enquanto pontos não rotulados melhoram as estimativas de densidade, permitindo aprendizado eficaz quando as anotações são escassas.
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
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/pt/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.
- Propagação de RótulosAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
- Autoencoder VariacionalAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →