方法证据记录
Semi-supervised Gaussian Mixture Model
The Semi-supervised Gaussian Mixture Model (SS-GMM) is a generative probabilistic classifier that fits a Gaussian mixture to both labeled and unlabeled data using the Expectation-Maximization algorithm. Labeled points constrain component assignments while unlabeled points improve density estimates, enabling effective learning when annotations are scarce.
源记录
引文逐字复制自方法源记录。这些引文不代表任何层级的验证。
Semi-supervised Gaussian Mixture Model (SS-GMM)
分类方法记录 · ml-model / machine-learning
- 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
精选声明
声明已持久化到证据分类账中，每个声明都有自己的评估。
尚无精选声明
当分类账中没有声明时，此视图不会自行创建声明评估。
相关方法
从方法图中生成，显示为机器建议的关系 — 不推断任何证据声明。