Aktiv inlärning med Gaussiska processer
Aktiv inlärning med Gaussiska processer (GP-AL) kombinerar en probabilistisk modell baserad på Gaussiska processer med en frågestrategi för aktiv inlärning, där GP:ns posteriora osäkerhet används för att välja de mest informativa oetiketterade exemplen för etikettering. Detta iterativa tillvägagångssätt minimerar etiketteringsinsatsen samtidigt som prediktiv noggrannhet maximeras, vilket gör det idealiskt när etiketterad data är knapp eller dyr att erhålla.
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
- MacKay, D. J. C. (1992). Information-based objective functions for active data selection. Neural Computation, 4(4), 590–604. DOI: 10.1162/neco.1992.4.4.590 ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/sv/machine-learning/active-learning-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.
- Aktivt lärandeMaskininlärning↔ compare
- Bayesiansk Gaussisk ProcessMaskininlärning↔ compare
- Gaussisk processMaskininlärning↔ compare
- Semi-övervakad Gaussisk processMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →