Aktiv inlärning med Gaussiska blandningsmodeller
Aktiv inlärning med Gaussiska blandningsmodeller (Active Learning Gaussian Mixture Model) kombinerar en iterativ frågestrategi med en Gaussisk blandningsmodell (GMM) som inlärningsalgoritm. Algoritmen väljer de mest informativa omärkta punkterna – typiskt de med högst prediktiv osäkerhet – presenterar dem för en orakel för märkning, och anpassar GMM:en på nytt med EM (Expectation-Maximization) på den växande märkta datamängden. Resultatet är en densitetsmodell som uppnår kvalitet motsvarande fullständig data, men kräver betydligt färre märkta exempel.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/sv/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.
- Aktiv inlärning med Gaussiska processerMaskininlärning↔ compare
- Bayesiansk Gaussisk BlandningsmodellMaskininlärning↔ compare
- Semi-övervakad Gaussisk blandningsmodellMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →