Processo Gaussiano Semi-supervisionado
O Processo Gaussiano Semi-supervisionado (SSGP) estende o framework probabilístico do GP para explorar dados não rotulados juntamente com um pequeno conjunto de observações rotuladas. Ao colocar uma prior GP sobre funções e alavancar a estrutura geométrica revelada por entradas não rotuladas, ele aprende preditores mais precisos e melhor calibrados do que um GP puramente supervisionado quando os rótulos são escassos, tornando-o bem adequado para problemas científicos e médicos onde a anotação é cara.
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
- 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
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/pt/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.
- Processo Gaussiano BayesianoAprendizado de máquina↔ compare
- Processo GaussianoAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
- Random Forest Semi-supervisionadoAprendizado de máquina↔ compare
- Máquina de Vetores de Suporte Semi-supervisionadaAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →