Active Learning LightGBM
Active Learning LightGBM spojuje strategii výběru dotazů s vysokou účinností aktivního učení s rychlostí a přesností LightGBM, což je framework pro gradientní posilování založený na histogramech. Model iterativně vybírá nejinformativnější neoznačené instance pro lidské anotace, přetrénovává LightGBM na rostoucí označené sadě a konverguje k vysoké přesnosti s mnohem menším počtem označených příkladů než pasivní učení pod dohledem.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30, 3146–3154. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/cs/machine-learning/active-learning-lightgbm
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.
- Aktivní učeníStrojové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- LightGBMStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →