แบบจำลองส่วนผสมแบบเกาส์เซียน (Gaussian Mixture Model) แบบเรียนรู้เชิงรุก
แบบจำลองส่วนผสมแบบเกาส์เซียน (Gaussian Mixture Model) แบบเรียนรู้เชิงรุก (Active Learning Gaussian Mixture Model) ผสมผสานกลยุทธ์การสอบถามแบบวนซ้ำเข้ากับแบบจำลองส่วนผสมแบบเกาส์เซียน (Gaussian Mixture Model learner) อัลกอริทึมจะเลือกจุดข้อมูลที่ไม่มีป้ายกำกับซึ่งให้ข้อมูลมากที่สุด — โดยทั่วไปคือจุดที่มีความไม่แน่นอนในการทำนายสูงสุด — นำเสนอจุดเหล่านั้นต่อผู้ให้คำแนะนำ (oracle) เพื่อติดป้ายกำกับ และปรับปรุงแบบจำลอง GMM ใหม่โดยใช้ EM กับชุดข้อมูลที่มีป้ายกำกับที่เพิ่มขึ้น ผลลัพธ์ที่ได้คือแบบจำลองความหนาแน่นที่เทียบเท่ากับคุณภาพของข้อมูลทั้งหมด แต่ต้องการตัวอย่างที่มีป้ายกำกับน้อยกว่ามาก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/th/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.
- Gaussian Process แบบเรียนรู้เชิงรุก (Active Learning Gaussian Process)การเรียนรู้ของเครื่อง↔ compare
- แบบจำลองส่วนผสมแบบเกาส์เซียนแบบเบย์ (Bayesian Gaussian Mixture Model)การเรียนรู้ของเครื่อง↔ compare
- โมเดล Gaussian Mixture แบบกึ่งมีผู้สอนการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับดูแลการเรียนรู้ของเครื่อง↔ compare