Model Gaussian Mixture cu Învățare Activă
Model Gaussian Mixture cu Învățare Activă combină o strategie iterativă de interogare cu un modelator Gaussian Mixture. Algoritmul selectează cele mai informative puncte neetichetate — de obicei, cele cu cea mai mare incertitudine predictivă — le prezintă unui oracol pentru etichetare și reajustează GMM utilizând EM pe setul etichetat în creștere. Rezultatul este un model de densitate care atinge calitatea datelor complete, necesitând în același timp mult mai puține exemple etichetate.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/ro/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.
- Proces Gaussian de Învățare ActivăÎnvățare automată↔ compare
- Model bayesian de amestec gaussianÎnvățare automată↔ compare
- Modelul Gaussian Mixt Semi-SupervizatÎnvățare automată↔ compare
- Învățare semi-supervizatăÎnvățare automată↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →