Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Байєсівське напівкероване навчання× | Гаусівський процес× | |
|---|---|---|
| Галузь | Машинне навчання | Машинне навчання |
| Родина | Machine learning | Machine learning |
| Рік появи≠ | 2003–2006 | 2006 (book); roots in Kriging, 1951) |
| Автор методу≠ | Chapelle, Scholkopf & Zien; Zhu, Ghahramani & Lafferty | Rasmussen, C. E. & Williams, C. K. I. |
| Тип≠ | Probabilistic semi-supervised framework | Probabilistic non-parametric model |
| Основоположне джерело≠ | Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9 | Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9 |
| Інші назви | Bayesian SSL, probabilistic semi-supervised learning, generative semi-supervised model, Bayesian transductive learning | GP, Gaussian Process Regression, GPR, Kriging |
| Пов'язані≠ | 6 | 3 |
| Підсумок≠ | Bayesian semi-supervised learning is a probabilistic framework that uses both a small labeled dataset and a larger pool of unlabeled observations to infer model parameters and make predictions. By treating missing labels as latent variables and placing priors over parameters, it naturally quantifies uncertainty while leveraging unlabeled data to improve generalization. | A Gaussian Process (GP) is a non-parametric, fully probabilistic machine learning model that places a prior distribution directly over functions. Rather than predicting a single value, it returns a predictive mean and a calibrated uncertainty estimate at every test point, making it especially valuable for regression on small to medium datasets and for Bayesian optimization tasks. |
| ScholarGateНабір даних ↗ |
|
|