Logistická regrese s aktivním učeniem
Logistická regrese s aktivním učením je iterativní rámec pro efektivní využití štítků, v němž model logistické regrese vybírá neoznačené příklady, u nichž si je nejvíce nejistý, orákulum (lidský anotátor) je označí a model se přetrénuje — opakuje se, dokud není vyčerpán rozpočet na označování nebo dosaženo cílové přesnosti. Výrazně snižuje náklady na anotaci ve srovnání s náhodným označováním.
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. (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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/cs/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.
- Logistická regreseStatistika ve výzkumu↔ compare
- Naive BayesStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →