Semi-övervakad Gaussisk blandningsmodell
Den semi-övervakade Gaussiska blandningsmodellen (SS-GMM) är en generativ probabilistisk klassificerare som anpassar en Gaussisk blandning till både märkt och omärkt data med hjälp av Expectation-Maximization-algoritmen. Märkta punkter begränsar komponenttilldelningar medan omärkta punkter förbättrar densitetsskattningar, vilket möjliggör effektiv inlärning när annoteringar är knappa.
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
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
- Nigam, K., McCallum, A. K., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39(2-3), 103-134. DOI: 10.1023/A:1007692713085 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Gaussian Mixture Model (SS-GMM). ScholarGate. https://scholargate.app/sv/machine-learning/semi-supervised-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.
- EtikettpropageringMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
- Variational AutoencoderDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →