Полу-контролируемый Гауссовский процесс
Полу-контролируемый Гауссовский процесс (Semi-supervised Gaussian Process, SSGP) расширяет вероятностную основу Гауссовских процессов (GP) для использования неразмеченных данных наряду с небольшим набором размеченных наблюдений. Размещая GP-априорное распределение над функциями и используя геометрическую структуру, выявляемую неразмеченными входными данными, он позволяет построить более точные и лучше откалиброванные предикторы, чем чисто контролруемый GP, когда метки редки, что делает его хорошо подходящим для научных и медицинских задач, где аннотирование дорого.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Semi-supervised Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/ru/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.
- Байесовский Гауссовский ПроцессМашинное обучение↔ compare
- Гауссовский процессМашинное обучение↔ compare
- Обучение с частичной разметкойМашинное обучение↔ compare
- Случайный лес с частичной разметкойМашинное обучение↔ compare
- Машина опорных векторов с частичной разметкойМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →