Aktiv læring med boosting
Aktiv læring med boosting kombinerer den forespørgselsdrevne etiketanskaffelse fra aktiv læring med den vægtede ensemblelogik fra boosting-algoritmer som AdaBoost. Modellen udvælger iterativt de mest informative umærkede eksempler til annotering – vejledt af uenighed eller usikkerhed inden for boosting-ensemblet – og genoptræner efter hver ny etiket, hvilket opnår høj nøjagtighed med langt færre etiketerede eksempler end passiv læring.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Abe, N. & Mamitsuka, H. (1998). Query Learning Strategies Using Boosting and Bagging. Proceedings of the 15th International Conference on Machine Learning (ICML 1998), pp. 1–9. Morgan Kaufmann. link ↗
- Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Active Learning with Boosting Ensembles. ScholarGate. https://scholargate.app/da/machine-learning/active-learning-boosting
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.
- Support Vector Machine med aktiv læringMaskinlæring↔ compare
- BoostingMaskinlæring↔ compare
- Online BoostingMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →