Логистична регресия с активно обучение
Логистичната регресия с активно обучение е итеративна, ефективна по отношение на етикетите рамка, при която модел на логистична регресия избира немаркираните примери, за които е най-несигурен, оракул (човешки анотатор) ги етикетира и моделът се преобучава — повтаряйки се, докато се достигне бюджет за етикетиране или целева точност. Тя драстично намалява разходите за анотиране в сравнение със случайното етикетиране.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Settles, B. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
- Lewis, D. D., & Gale, W. A. (1994). A sequential algorithm for training text classifiers. Proceedings of the 17th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, 3–12. DOI: 10.1007/978-1-4471-2099-5_1 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/bg/machine-learning/active-learning-logistic-regression
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.
- Логистична регресияСтатистика за изследвания↔ compare
- Наивен БейсМашинно обучение↔ compare
- Случайна гораМашинно обучение↔ compare
- Полу-наблюдавано обучениеМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →